随着计算机等相关技术的不断发展,以及工业自动化需求的提升,机器视觉技术在工业自动化生产等领域的应用越来越广泛。字符作为信息的载体以标牌、铭牌的形式标识在工业产品中,上面记载着其产品的重要信息,目前大部分工业产品,如钢材、模具等,都会把产品参数信息记录在产品表面上,由于使用环境多变,经常面临潮湿、高温或长期露天等恶劣条件,这类字符通常用工业打标机刻划在金属表面,不同于常规的光学字符,刻划字符是一种立体的无色差字符,传统的光学字符识别方法并不能直接使用,而刻划字符的识别和缺陷检测在工业生产中又具有极其重要的意义,因此本文针对刻划字符识别和缺陷检测中的关键技术进行了研究。本文通过对刻划字符的研究,根据刻划字符的特点,分析了其在不同光照方式下的成像效果,通过比较成像的效果,选择了字符边缘清晰、背景简单的前向高角度环形光照明方案。为了解决字符图像拍摄中存在的因字符摆放不正导致的字符倾斜问题,本文提出了一种基于字符边缘投影的字符倾斜矫正方法。为了对刻划字符进行识别和缺陷检测,本文提出了以堆栈自编码器作为字符特征提取器,结合K近邻分类器的字符识别和缺陷检测模型。分别使用欠完备自编码和变分自编码对刻划字符进行特征提取,比较了K近邻、支持向量机和BP神经网络这三种分类器下该特征的性能。实验表明,基于堆栈欠完备自编码器提取的特征结合K近邻算法的刻划字符识别和缺陷检测模型能够有效地识别字符并能够检测缺陷。本文还提出了以卷积神经网络为特征提取器,结合支持向量机的字符识别和缺陷检测模型。通过使用数据增强的方法训练神经网络,为了增强泛化能力,对卷积神经网络的全连接层的输出特征进行了分析,比较了该特征在K近邻、支持向量机和随机森林下的分类性能,并通过卷积神经网络的可视化方法,对网络的性能进行了分析。实验表明基于卷积神经网络提取的特征,在各种分类器下都能够获得良好的分类效果,表达能力稳定可靠,能够有效地对字符进行识别和缺陷检测。