带钢在工业生产中具有重要作用，在传统制造业、航空航天制造业、智能家居制造业和军事制造业等产业中，带钢是重要的原材料。在新兴制造业对制造精度要求逐渐提高的今天，对带钢质量的要求也随之大幅度的提升。常用的带钢表面质量检测方法主要是人工抽检，但由于现场环境较差、检测随机性大、生产效率低等缺点，此方法已经不能满足现在钢铁生产线的检测要求。基于机器视觉的在线检测系统，采用高速相机对钢板表面进行图像采集、处理，并对采集图片使用高性能计算机对其进行缺陷分割识别。得益于计算机性能的提升和机器视觉理论的不断成熟，基于机器视觉的带钢表面缺陷检测技术已慢慢成为缺陷检测方面的主流技术。　　本文在对带钢表面缺陷在线检测系统进行深入研究后，以此为基础，对带钢表面缺陷检测技术中的缺陷图像分割、缺陷特征提取、特征集合的选择以及缺陷识别分类器方面进行了着重研究，并对此提出一种基于遗传算法优化的带钢表面缺陷支持向量机分类模型。本文的主要工作如下：　　1、介绍了常用的图像分割方法，分析了在钢板表面灰度不均的情况下阈值法与分块阈值法缺陷分割法的不足，提出一种基于梯度的缺陷分割算法，此算法在灰度不均的情况下进行缺陷分割时具有优秀的分割能力。　　2、根据图形的几何特征、灰度特征以及投影特征等的先验知识，对带钢表面缺陷图像提取了30维的特征向量，并对特征集合进行了0-1归一化以及PCA操作，得到预处理后的缺陷特征集。　　3、采用支持向量机的分类器模型对带钢表面缺陷进行分类，并分析了不同分类器参数对分类结果的影响，为后续基于遗传算法优化的支持向量机算法研究奠定了基础。　　4、针对缺陷识别中特征选择与分类器参数选择复杂的问题，提出一种基于遗传算法优化的支持向量机模型。该模型使用遗传算法的全局寻优特点对分类器进行优化，得到使得分类准确率最高的核函数参数和惩罚因子，同时对特征集进行优化。