带钢作为一类重要的钢铁产品,其广泛应用于汽车制造、桥梁建筑、航空航天等支柱行业,保证其最终产品质量对于社会的发展和生活的改善具有重要意义。带钢表面损坏区域的数量、程度和分布是决定带钢质量的重要因素,基于计算机视觉的表面缺陷检测和分类方法能够很好地实现带钢表面缺陷的定位和识别,发现造成缺陷的起因,从而有效的保证带钢产品质量。带钢表面缺陷检测和分类的准确率及高速率主要依赖于其表面图像的高效表示,该文将针对带钢表面图像的高效表示展开研究,并将其应用于缺陷分类。本文主要研究内容如下:首先,整理归纳了近三十年国内外在带钢表面缺陷检测和分类的研究方法,根据这些方法的原理将它们分为了几种典型的类别,并进行总结、分析和对比。从中发现,局部二值模式（Local Binary Patterns,LBP）方法是一种轻量级纹理描述算子,可以同时应用于缺陷检测和分类,对于带钢表面图像的高效表示具有重要意义。然后,针对带钢表面图像的高效表示,本文提出了一种简单、快速而又稳健的纹理描述符,即选择式显性局部二值模式（Selectively Dominant Local Binary Patterns,SDLBP）。该方法建立了一种具有定量阈值机制的智能搜索算法,以挖掘显性的非等价模式（Dominant Non-uniform Patterns,DNUPs）,并开发了两种根据输入图像质量可转换的模式码映射方案,对所有等价模式和DNUPs进行二进制混合编码,进一步提高SDLBP对于纹理描述的刻画精度和泛化能力,并且获得了抑制噪声的有益效果。最后,设计了一种自适应区域加权（Adaptive Region Weighting,ARW）方法,用于在缺陷分类任务中的特征匹配阶段进一步增强原始最近邻分类器（Nearest Neighbor Classifier,NNC）,克服了传统NNC因缺乏先验知识导致分类效果退化的问题。在开放的纹理数据库（Outex）和实际的带钢表面缺陷数据库（Dragon）上进行的全面的实验,实验结果证明了所提出的SDLBP在分类精度和时间效率上都具有良好的表现,所设计的ARW方法有效地辅佐基础分类器提高了分类精度,有利于带钢表面图像的高效表示。