随着社会的进步和发展，带钢产品在社会生产和生活中应用越来越广泛。带钢表面质量直接影响其后续产品的质量，现有的检测方法在高速带钢生产线中存在实时性差、识别率较低等弊端，已成为制约带钢相关工业发展的瓶颈技术，所以带钢表面缺陷检测方法成为国内外研究的热点之一。
　　本文对带钢表面缺陷识别技术进行了深入研究。采用信噪比分析了多种滤波器对噪声的滤出效果，选择滤波效果最好的自适应中值滤波进行滤波。对比多种边缘检测实验效果，综合考虑实时性和精度的要求选择Cannyr算子进行边缘检测。采用添加高斯噪声和椒盐噪声实验，验证了不变矩、灰度特征和纹理特征在受噪声影响仍保持良好的性能。本文采用上述三种特征信息作为主成分分析的原始18维数据空间。采用主成分分析对原始的高维数据空间进行优化，去除了数据间信息重叠，使用wilks准则对主分量进行选择，保证了重构数据具有最佳可分性。本文对比了采用BP神经网络直接进行识别，和采用主成分分析分别与BP神经网络、RBF神经网络相结合的识别别效果。实验结果表明采用wilks准则主成分分析与RBF结合的识别方法，能够有效降低样本空间的大小和分类器设计的复杂程度，有效地提高了分类精度。