在智能手机领域,由于玻璃材质的智能手机屏幕盖板具有透光性好,硬度高等优点,因而得到了广泛应用。然而,由于受原材料特性、加工工艺、运输等多种复杂因素的影响,生产和运输过程中手机玻璃盖板表面不可避免的会出现划伤、崩边、凹凸点、少墨、溢墨、麻点、毛丝、灰尘等缺陷。针对当前玻璃盖板生产中人工缺陷检测效率低、一致性差和人力成本高等问题,本学位论文以机器视觉技术为基础,对智能手机盖板玻璃盖板表面各类典型缺陷的自动检测与提取等问题进行了研究,具体研究内容包括:1)分析了智能手机玻璃盖板表面图像获取中的技术难点,在此基础上设计了相应的图像采集系统。根据玻璃盖板表面缺陷检测的具体需求,确定了以线阵相机为基础的图像采集方案,在分析了相机及配套镜头的关键参数后,对丝印区2.5D圆弧边镜面反射问题进行了建模分析,提出了一种将丝印区对半分割,采用“低角度+条形光源”的打光方案,给出了与之配套的进料方法。最后,对玻璃盖板典型缺陷检测系统的整机结构进行了设计。2)研究了手机玻璃盖板表面图像的预处理方法,针对图像灰度不均问题,采用“两点矫正法”对所采集玻璃盖板图像进行了矫正;在分析了双支撑线图像的灰度特征与几何特征的基础上,分别开发了基于形态学及秩滤波的双支撑线图像去除方法,并对两种方法的鲁棒性和运行效率进行了对比;对手机玻璃盖板常见异常进料状态进行了分类,并给出了对应的图像异常判别方法。3)研究了玻璃盖板不同区域典型缺陷检测算法,搭建了实验样机进行了初步实验验证。针对玻璃盖板类型多的问题,在关键区域给出了基于形状匹配的玻璃盖板识别与分割检测方案,研究了典型缺陷的种类划分和提取算法,给出了一种基于神经网络的典型手机玻璃盖板表面缺陷的自动识别与分类方法。最后,通过实验验证了本文方法的有效性。