表面缺陷检测是产品质量控制的重要手段,是智能设计与制造不可或缺的重要环节。随着机器视觉检测技术的广泛应用,以二维图像和三维点云为载体的缺陷识别问题已成为该领域的研究热点,其数据处理技术直接决定了产品表面的缺陷识别率和几何精度。图像和点云数据维度不同,但缺陷检测原理基本相同,且在数据处理方法上也有许多共通之处。基于该认识,本文采用理论与实验相结合的方法,分别对图像和点云数据处理及缺陷识别方面的内容展开理论和算法研究,并通过系统开发和实际产品的缺陷检测验证研究成果。论文主要研究内容如下：1、针对小缺陷或无缺陷图像的漏检和误检等问题,对图像缺陷分割技术进行研究。提出目标方差加权的类间方差缺陷分割法,对图像类间方差的目标方差加权,其权重使分割阈值位于单模直方图的左边缘或者双模直方图的谷底,确保缺陷的高检测率和低误检率。在钢板、木材、织物、钢轨等产品的缺陷分割实验中,分割阈值接近理想阈值。设计钢轨表面缺陷视觉检测系统方案,测试该方法在机器视觉缺陷检测中的应用效果,实验表明该方法具有高缺陷检测率和低误检率,相比于其它缺陷分割法,该方法缺陷检测效果更优。2、曲率和法向等微分信息估算是点云数据处理的基础,为提高曲率计算的准确性,采用参数二次曲面求解点云曲率。针对尖锐特征曲面在曲率突变区域估算的法向量误差大,提出迭代加权法对特征点云法向量进行修正,以进一步提高法向量估算的准确性,实验表明该方法对曲率突变点具有较高的鲁棒性,并有计算效率上的优势。3、针对点云去噪和精简处理时,特征区域被平滑或过精简问题造成的过大误差,提出特征保留的点云去噪和精简方法。采用高斯映射和层次聚类相结合的方法提取特征点的最优邻域,在优化邻域内进行双边滤波去噪,该方法能有效去除噪声的同时保留曲面的几何特征。采用K均值聚类和高斯球上的自适应均值漂移聚类法分别对平坦区域和曲率突变区域进行点云精简,相比于其它点云精简方法,该方法精简误差小,精简后的点云能更好地保留原始曲面的几何特征。4、为了检测产品表面凹陷、凸包和制造偏差等缺陷,研究基于数据配准的点云缺陷检测技术。提出以特征匹配为粗配准和改进迭代最近点为精确配准的两阶段配准方案,逐步提高配准效率和精度。为了加快精确配准的收敛速度,以测量点到标准模型三角化曲面的最优投影点为迭代配准的对应点,并根据最小有向距离生成色斑图实现缺陷的可视化。汽车零件制造偏差和钢轨凹凸缺陷检测实验验证了算法的有效性。