我国是木材进口大国,对于木材的需求量逐年上升,但我国木材综合利用率低,木材供需紧张。不同的产品对木材纹理、硬度需求不同,因此木材缺陷检测环节在产品生产流程中必不可少。现有的木材缺陷检测技术大多基于人工检测,误检率高、效率低下,为解决这一问题,本文提出了基于图像处理的木材缺陷检测系统研究,并完成了以下主要研究工作:首先,采用最大类间差法、模糊熵法、交叉熵法三种阈值分割法以及K-Means、Mean Shift、K-Medoids三种聚类方法对木材缺陷图像进行分割。同时选用开运算优化结果。为改进在尖节等缺陷与木材背景色彩纹理相差不大的情况下,一维交叉熵阈值分割算法分割效果不佳的问题,引入二维交叉熵阈值分割算法。同时为了提高运算速度,对缎蓝园丁鸟优化算法(SBO)进行改进,提出了基于混沌SBO的二维交叉熵阈值分割算法,实验结果证明该算法对于背景色彩纹理相近的木材缺陷拥有较好的分割能力,且相对于传统的二维交叉熵分割算法拥有更高效的运算速度。其次,根据木材缺陷的纹理特性,利用非下采样轮廓波变换(NSCT)对木材缺陷进行特征提取。并对分解的八方向子图进行均值、方差、能量、偏度计算,获得NSCT特征量。同时研究局部二值模式(LBP)、Tamura、灰度共生矩阵(GLCM)三种方法在木材缺陷图像上的特征提取应用。对比各特征提取方法在BP神经网络和支持向量(SVM)中的识别效果,结果表明在单特征量中NSCT展现出较好的识别能力。随后在SVM中对多特征量进行比较,结果显示Tamura、GLCM、NSCT相结合的特征量识别效果最好,可达到95.9%的准确率。最后,设计木材缺陷检测系统的硬件与软件系统,包括系统的完整运作流程、硬件结构、算法移植以及上位机软件系统设计。并将改进的二维交叉熵分割算法写入嵌入式控制系统,测试结果表明,从图像捕获经图像处理到获得锯切标定信息整个过程仅需0.984s,具有实时检测能力。