金属冲压件作为国内主机厂、机械制造行业、国内军事以及国家防御等领域中必至关重要的产品。由于不同冲压设备与不同模具之间的匹配程度,以及相对复杂的压力参数、板材受力特性、板材涂油量等多个因素,导致冲压件成型后板材表面随机的出现不同种类的缺陷,例如开裂、缩颈、压痕等不同种类的缺陷,以上缺陷会导致冲压件的面品质量受损,同时冲压件的尺寸也会发生偏差。因此必须提高对于成型后的冲压件的表面缺陷识别水平,有利于提高产品的检测水平,保证产品质量并提高检测效率,可以为工厂以及制造业提供更高的冲压件和制造的成品的市场竞争力。本文针对冲压件表面缺陷识别问题,对图像处理方法、不同种类算法之间的结合、以及缺陷分类和缺陷识别几方面做了深入的研究。基于冲压件表面图像的采集过程,提出了基于面阵CCD相机对于冲压件在流水线上扫描的方式采集原始图像,使用对图像进行像素计算和处理的方法,对所采集的缺陷图像进行滤波,去除噪声干扰。根据图像灰度直方图的均衡化原理对图像进行锐化处理,经过基于Canny算子的边缘检测算法及提出的自适应阈值确定方式,确定好合适的阈值后进行图像二值化。可以将需要的缺陷目标区域原始图像中分割开来,为图像的缺陷特征提取,锁定更精准的范围。选取的特征数目过大会导致分类器效率低下,甚至训练过拟合。为了确定主要的缺陷特征,减少缺陷特征的数目和维度,使用PCA降维方法,根据不同种类特征之间的组合,使用累计贡献率作为判定基准,最终选定五个缺陷特征,将这些特征作为表面缺陷进行分类识别的有效特征。利用SVM分类算法分别分析形状特征、矩特征、统计纹理特征用于缺陷分类描述的特点,并根据试验结果选择了有效特征组合,提高了系统对缺陷种类辨识的准确率与SVM“一对一”分类器的准确性。确定SVM分类器中不同参数对于预测结果的影响,选用适合于当前分类需求的SVM分类算法的不同参数的选择和设置。实验先对获取到的图片进行缺陷检测,根据检测结果使用20组缺陷特征参数作为输入样本,通过SVM分类器准确的实现了对于开裂、划伤两类缺陷的分类,根据实验结果表明了缺陷识别算法和分类器的有效性,缺陷分类正确率达到95%以上。