采用图像处理和识别的最新理论和技术，研究开发具有板带材表面缺陷的模式识别和分类技术及其软件系统。板带材表面缺陷的识别与分类是板带材表面缺陷智能化诊断的重要内容之一。通过对板带材表面缺陷的检测与分类的有效方法和实用化技术；研制开发采用人工智能专家系统对板带材表面缺陷进行分类处理的智能化实用软件。 不同的表面缺陷有着不同的图像特征，必须对各类板带材表面缺陷图像特征进行深入研究，才能获得缺陷图像的特征信息表征方法。板带材的表面缺陷往往具有多样性、复杂性等特点。因此要达到高的识别率是比较困难的。概括来说，板带材表面缺陷识别的难度主要表现在两个方面：①某种类别缺陷包含其它类型的缺陷，比如抬头纹中包含夹杂的缺陷成分。②同一类别缺陷之间的形态差别很大，比如抬头纹1与抬头纹2。很难将这些缺陷自动规归为同一类缺陷。通过对不同特征的提取和优化选择，发现采用纹理特征对几类缺陷的分类效果比较好。本论文的纹理特征是采用统计法、通过灰度共生矩阵得到的，包括纹理的二阶矩、对比度、相关、熵、方差、逆差矩。 本文共收集了151幅板带材缺陷图像进行识别分类研究。文中分别采用了K均值聚类算法、非线性BP(Back-Propagation)人工神经网络识别方法和非线性RBF(RadialBasisFunction)人工神经网络识别方法，对边缘锯齿、焊缝、夹杂、抬头纹1、抬头纹2进行识别分类，并考虑预处理对识别分类的影响。本文采用三种识别方法对五类板带材缺陷图像进行识别与分类，即边缘锯齿、焊缝、夹杂、抬头纹1、抬头纹2。结果表明，依据缺陷图像的纹理特征，K均值聚类算法、非线性BP(Back-Propagation)人工神经网络识别方法能够对五类缺陷实现识别和分类，BP(Back-Propagation)非线性识别效果较好，但训练时间较慢，RBF(RadialBasisFunction)人工神经网络识别方法训练速度快，对边缘锯齿、焊缝、夹杂、抬头纹2的识别准确率较高，但对抬头纹1，识别不出，易误识为夹杂，可能的原因是缺陷图片含有夹杂或划痕等缺陷成份。 本论文设计的基于聚类算法与RBF网络的板带材表面缺陷的识别与分类系统可以根据训练样本和训练要求的不同重新选择样本数、类别数、重新训练、识别，因此它是一个开放式的系统。