近年来,我国钢铁产业在生产设备、生产工艺品种类和质量方面有了很大的改善,并且年产量常居世界第一。然而面对严峻的市场压力和严格的质量要求,仍然不能满足目前发展现状。钢板表面质量的好坏是衡量钢板是否合格的重要标准之一。其中,表面缺陷是阻碍钢铁企业提高钢产品质量的最重要的一个问题。因此,对钢板表面缺陷监测技术的研究成为了关键。大多数钢铁企业采用具有视觉采集装置的表面缺陷检查系统去监控钢板表面缺陷。在检测和识别过程中,缺陷分类是核心的任务,也是表面质量监控的最终目标之一,因为缺陷的类型是钢产品等级划分的重要依据。本文对钢板表面缺陷分类模型进行了研究,主要内容如下:(1)为了提高钢板表面缺陷分类精度,本文优先考虑以超球面作为分类面的分类模型。而且,为了抑制特征噪声对分类精度的影响,在孪生超球体支持向量机(THSVM)的基础上,本文提出了一种具有抗特征噪声能力的支持向量超球体多分类模型(ASVHs)。该分类模型通过引入新颖的抗噪属性,改变了原有的依靠边界样本点构造分类面的特点,从而达到抑制边界特征噪声的目的。(2)为了解决由于缺陷样本数据量大造成的储存空间大、效率低的问题。在ASVHs分类模型的基础上,提出了一种样本稀疏化策略,即参数迭代调整(PIA)策略。该策略依靠支持向量描述方法(SVDD)对每类缺陷数据构造一个超球体,通过控制SVDD中的惩罚参数来调整超球体的大小,修剪掉超球体内部的缺陷样本,保留外部的缺陷样本。为了不影响分类精度,本文保留了每类训练缺陷样本的一部分。另外,在PIA策略的基础上,基于稀疏化后的样本重新构造了ASVHs分类模型。因此,基于PIA策略的ASVHs分类模型降低了存储空间开销和在线运行时间。(3)为了进一步提高ASVHs分类模型的运行效率,本文提出了ASVHs-WOA参数选择方法。选用新型的鲸鱼优化算法(WOA)与ASVHs分类模型相结合,对ASVHs分类模型中的三个参数进行寻优选择。实验表明,在保证分类精度的基础上,大幅度提高了程序运行效率。