汽车发动机管路接头作为发动机内部气管和油管的精密金属连接件,其表面缺陷直接影响整个管路的密封性能、装配精度以及使用寿命,严重时甚至影响汽车的行车安全,因此对其表面缺陷进行检测以有效控制产品质量显得尤为重要;结合智能制造国家战略需求和汽车行业转型升级需要,将机器视觉检测技术应用于汽车发动机管路接头生产线实现零件表面缺陷检测与分类识别,有助于提高装备的自动化和智能化水平。现有表面缺陷视觉检测方法依赖于具体的任务以及人工设计的特征,局限性较大,同时面临着缺陷和非缺陷区域之间对比度低、加工纹理和细微缺陷相似性高和识别精度低等难题。本文以金属汽车管路接头为研究对象,对其表面缺陷视觉检测及分类方法进行研究,取得如下成果:（1）分析了汽车管路接头表面缺陷产生原因及缺陷类型,明确了表面缺陷视觉检测需求及难点,在此基础上研究了表面缺陷视觉检测和分类方法,设计了相应的表面缺陷视觉检测及缺陷分类流程,包含光源照度补偿、去除噪声及加工纹理干扰、缺陷特征提取、缺陷类型识别等。（2）针对金属管路接头表面光滑呈曲面、易反光使成像质量不佳等问题,在图像预处理中设计了光源照度补偿算法,分别对反射不均和光强不均进行补偿,一定程度解决了曲面成像的灰度值分布不均和光源照射不均问题,提高了图像质量,为后续图像处理提供了基础。（3）由于管路接头图像中包含缺陷信息、条纹状加工纹理背景、高频噪声等,为便于提取缺陷特征,提出一种小波分解重构去噪方法,该方法首先将光源照度补偿后的图像进行二级小波分解,得到近似系数、水平分量、垂直分量和对角线分量,发现近似系数中包含了缺陷的主要信息,加工纹理信息主要存在于水平分量中;然后对水平分量进行置零操作,其余分量进行低通滤波,将处理后的分量重构得到去除噪声和加工纹理的图像,分别与高斯滤波、均值滤波、小波滤波及中值滤波等去噪方法处理后的图像作比较,发现本文所提方法峰值信噪比与结构相似度值综合最优,其三维梯度图像中缺陷与背景对比效果最明显,优于其他去噪方法,在一定程度上提高了缺陷特征提取的准确性,检测平均准确率可达96.47%。（4）经分析大量样本图像所知,管路接头表面缺陷类型多,细微缺陷形状、大小、粗细均不同,人工设计缺陷特征困难,为解决管路接头表面缺陷自动分类问题,提出了一种多通道卷积神经网络决策级融合的缺陷分类方法,该方法首先设计了多通道卷积神经网络结构,并对其分类矩阵进行决策级融合,选用适合的决策级融合模型得到分类结果对融合后的分类结果进行分析;鉴于管路接头表面图像特点,这里采用三通道卷积神经网络模型结构,并采用多准则决策法实现分类融合,实验表明其分类准确率可达93.1%,优于单通道卷积神经网络1的85.1%、网络2的75.3%、网络3的76.4%和传统支持向量机的74.2%、Adaboost的73.4%,具有较高的分类精度,且召回率及精确率在87.5%以上。（5）结合汽车发动机管路接头表面缺陷视觉检测及分类需求,设计了软硬件实验系统及实验方案,并对本文所提方法进行实验研究。首先实验分析了图像去噪效果,然后对多通道卷积神经网络决策级融合的缺陷分类效果进行检验,最后将该方法应用于116件管路接头的表面缺陷检测及分类中,得到了很好的缺陷检测及分类效果;由此开发了人机交互软件,实现了图像采集、图像处理、缺陷检测及分类、分类结果显示等功能,为管路接头表面缺陷检测的工程应用奠定了基础,同时对同类产品的表面质量检测提供了新思路,具有一定的推广应用价值。