模式识别、机器视觉技术越来越多的被应用到自动安装系统中,由于人工安装应变片存在着效率低,精度低和—致性差的缺点,因此应变片自动安装系统的设计和研究被提上日程。应变片在吸取过程中容易发生偏转,漂移,从而影响系统的精度,因此有效地对应变片图像进行预处理,特征提取和特征识别将影响系统性能。本论文主要研究如何运用快速有效的算法对应变片进行特征提取,运用快速的分类方法对应变片进行识别。在提取应变片图像特征时,本文研究了传统的边缘检测和角点检测算法,并将其应用到应变片图像的边缘检测和角点检测中。由于应变片具有独特的纹理和几何特征,采用传统的边缘检测算法不能有效地滤除噪声,本文采用独特结构元素探针的形态学检测算法对其处理,有效的滤除噪声,保证算法的鲁棒性。该算法采用四个方向的结构元素对应变片进行边缘检测,本算法计算量更小,可以很好抑制噪声和将背景边缘点和线抑制掉。针对传统SUSAN角点检测的复杂性,本文提出一种改进的SUSAN检测方法,该算法采用20像素模板,减少了查表和比较的运算,有效的减少了计算量。由于Hu矩、Zernike矩都是在整个图像空间计算所得,在工业环境中容易受到噪声的干扰,而利用小波多尺度分析的小波矩能够同时获取应变片的全局矩和局部特征矩,对噪声有一定的抑制作用,特别适合在应变片自动安装系统中应用。在实际的应变片自动安装系统中,由于获取的应变片样本有限,图像识别(如模板匹配)无法保证识别的准确性；而BP神经网络具有易陷入局部极小点和收敛速度慢等缺点；小波神经网络初始化参数过程复杂；这些缺点都无法满足应变片自动安装系统时间和准确率的要求,而支持向量机(SVM)能有效的解决高维数、分线性和局部极小点等问题,同时运算时间较短,所以本文提出支持向量机结合小波矩和角点的应变片识别方法,这种方法简单有效,保证了系统时间和准确率的要求。