零件表面质量直接决定着其使用性能。因此，零件表面缺陷的在线检测，作为自动化生产线的一个重要环节，对保证零件质量有着至关重要的作用。目前，随着图像传感器和计算机性能的提高以及机器学习理论的完善，机器视觉检测使用方便、包含信息量大的优点越来越突显出来。所以，机器视觉检测也被使用得越来越广泛并日益成为研究的热点方向。本文根据当前基于机器视觉的表面检测的发展现状和未来发展方向，着眼于微型电机外壳表面缺陷的识别与分类，对主要的零件表面检测的相关共性技术进行研究。　　首先，本文通过分别对平面表面和曲面表面使用不同的照明方式，成功地在平面表面和曲面表面上都采集到高质量的图像。　　其次，本文使用了多种图像去噪与增强算法，对收集到的各样本图像成功实现了了像质改善。然后，本文利用改进后的分水岭分割算法，完成了对所有样本图像的分割。在此基础上，考虑到缺陷形态的多样性，本文从多方面对样本缺陷的特征进行提取并通过主成分分析法整理出16个主成分来描述这些特征。此后，本文使用本文提出的多特征聚类分析辅助决策树设计方法，用三个支持向量机（SVM）二类分类器构造了一个四类分类器并用样本对它训练。这种模式分类器仅依靠少量的样本就能应对实际遇到的各种缺陷情况，具有很强的推理能力。　　最后，基于以上各环节提出的算法方案，本文基于VS2013平台编写了微型电机外壳表面缺陷检测软件。实验表明，该软件能准确地识别出微型电机外壳上的缺陷的类型。