玻璃生产过程中会产生诸如划痕、夹杂、气泡、疖瘤以及污点等缺陷,各种玻璃缺陷的形态与大小没有固定模式,采用人工选择特征进行缺陷识别与分类的方法只能针对某种特定的玻璃或缺陷完成,且识别分类准确率较低,时间较长。因此,找到一种通用性强、准确率高且效率高的玻璃缺陷识别分类方法对于提高玻璃制品质量有着重要的意义。本文采用双冷阴极光灯作为线阵CCD相机光源,对玻璃生产线上的玻璃制品进行缺陷检测,针对图像中存在的光源频闪特性带来的条带噪声,本文设计了带阻滤波器,消除条带噪声,通过灰度分段线性变换对图像进行增强,提升了玻璃缺陷与背景邻域的对比度。针对传统分类方法中人为提取图像特征存在的通用性较差的问题,本文使用基于卷积神经网络的玻璃缺陷识别方法,在分析深度学习理论的基础上,使用几何变换的方法对玻璃缺陷图像库进行扩充,以反复试验的方式确定了适用于玻璃缺陷识别的卷积神经网络结构,并完成了玻璃缺陷的识别分类工作。针对卷积神经网络训练过程中,卷积核先随机初始化后训练而带来大量时间消耗,造成网络效率低下的问题,采用有监督和无监督学习相结合的方法,提出了一种集成学习方法。该方法利用改进稀疏系数的稀疏自编码器学习图像块的隐藏特征,把学习到的特征作为卷积神经网络的初始卷积核进行训练,有效的降低了训练时间,同时用增加判别性的KSVD算法替代Softmax函数对缺陷进行识别,提升了识别准确率。为了进一步提高集成卷积神经网络对夹杂、疖瘤类型缺陷的识别准确率,本文构造了一个由多通道组成的集成卷积神经网络。该网络将多个上述单通道集成卷积神经网络组合,构建了由多个单网组建的多通道集成卷积神经网络,并给出了组合多个单通道网络的方法。通过对玻璃缺陷图像进行不同方法的缺陷增强,使不同网络通道学习不同对比度的缺陷图像,从而获得更加完备和准确的玻璃缺陷图像的深层次语义描述。通过性能对比确定多通道集成卷积神经网络的最佳通道数,从而得到了最佳的多通道集成卷积神经网络对玻璃缺陷进行识别,有效改善了夹杂、疖瘤类型缺陷间的误识别现象,提高了玻璃缺陷的识别准确率。