金属工件表面纹理缺陷的识别与分类是21世纪工业自动化领域中的热点问题。金属工件表面的划痕、斑点、凹坑等缺陷,可能会造成组装后的机器使用寿命缩短、安全隐患等问题。为保证产品的质量,本文针对金属工件表面纹理缺陷的提取与分类方法展开了相关研究工作。本文在研究灰度共生矩阵算法提取缺陷特征的基础之上,分析了纹理缺陷的相关机理。针对纹理缺陷在图像中的灰度跳变信息,提出了灰度-梯度共生矩阵算法。该方法是将图像中纹理的梯度信息引入灰度共生矩阵,使其对于具有方向性的纹理可以从梯度的方向上反应出来。实验证明,基于灰度-梯度共生矩阵算法提取的缺陷特征可以更好的保留纹理的边缘、纹沟或者其他尖锐的纹理信息。为了提高纹理缺陷的分类精度,本文提出了改进的RBF神经网络分类算法。该方法利用粒子群算法优化RBF神经网络的基函数中心x_i、方差σ、输出权值ω,并对网络进行训练,从而改善标准RBF神经网络易出现的网络收敛慢和网络发散问题,并提高缺陷分类准确率。实验结果表明PSO改进的RBF神经网络相比标准RBF神经网络和BP神经网络分类方法提高了缺陷分类准确率,三种缺陷特征的分类平均准确率高达94%。