经过几十年的发展，连铸技术已经取得很大的提升，但由于受连铸机拉速、连铸机使用的保护渣以及结晶器内液面的平稳性等因素的影响，连铸坯表面存在缺陷的情况仍然难以避免。通过对现有连铸板坯表面质量检测方法的研究与分析，在总结各种方法优劣的基础上，本文创新性地提出了一种基于图像特征的连铸板坯表面质量在线监测方法，并设计了一套基于上述方法的连铸板坯表面质量在线监测系统，运用该系统在钢厂对上述方法进行了有效的验证。　　传统的基于图像的板坯表面质量检测方法完全依赖于图像识别的智能算法，识别的速度容易受算法复杂度和性能的限制，而且由于板坯表面氧化皮、振痕、划痕等的影响，误识别率比较高。基于以上因素，本文在此基础上创新性地提出了对所采集的图像采用人工识别方法为主智能识别方法为辅的图像检测方法来进行板坯表面质量监测，并在此基础上提出了运用该方法的在线监测系统的总体架构，详细阐述了系统的硬件架构和软件架构。　　分析了连铸生产过程中连铸工艺对连铸坯表面缺陷的影响，同时对连铸坯表面的缺陷进行了分类和描述，总结出了每种缺陷的影响因素和每种缺陷之间的不同特征，为下一步对缺陷的智能识别奠定了基础。　　根据连铸坯表面缺陷的特征，以及结合检测系统的需求，决定采用经典边缘检测算子中的Sobel算子识别出可疑缺陷区域，通过边缘特征点的搜索算法来提取出可疑缺陷区域图片，再通过提取可疑缺陷区域图片的Contourlet特征向量和灰度共生矩阵特征向量作为总的高维特征向量，将总的高维特征向量作为每张可疑缺陷区域图片的最终纹理特征向量并将其输入样本图片所构建的支持向量机(SVM)模型中，对可疑缺陷进行分类。详细介绍了可疑缺陷的识别和定位，支持向量机分类模型的构建。　　采用C++与Matlab混合编程的方法编写了系统的监测软件，运用系统所采用的人工识别方法和智能识别方法，详细介绍了基于图像特征的连铸板坯表面质量在线监测系统的实现过程，同时阐述了系统所涉及的人工识别原理、板坯边界识别原理、图像识别测速原理和图像拼接原理。运用该系统在钢厂连铸生产线现场进行测试，结果表明本文提出的基于图像特征的连铸板坯表面质量在线监测方法相对于其它常见方法对板坯缺陷图像的识别准确率高，且优势明显。因此，基于图像特征的连铸板坯表面质量在线监测方法是可行的。