目前国内的镜片瑕疵检测主要采用传统的人工检测的方式,但是人工检测成本高昂、存在检测标准不客观、不统一的问题。因此,实现光学镜片的疵病自动化检测和分类已经成为了不可逆转的发展趋势。光学镜片的疵病检测分类是实现镜片品质自动化检测亟待解决的问题。如何将镜片疵病的物理特征,转化为计算机可识别的数据特征,是实现镜片疵病分类的准确性和时效性的关键环节。本文通过对疵病的特征进行分析、提取、分类研究开展工作。并通过对疵病的边缘信息、几何特征、形状特征的研究来解决镜片自动化检测问题,并针对常规算法的弊端,给出了改进和优化方案,解决时效性和准确性问题。本文针对疵病图像进行特征分析、特征信息增强、边界特征提取、几何特征提取方面的研究。并利用提取的输入特征采用支持向量机进行学习和分类。具体而言,就是分析镜片疵病的种类和产生原因。根据不同疵病的直方图特性、几何特性,分析分类贡献率高的特征,给出分类策略;针对边缘特征提取研究,比较几种边缘检测算子,发现边缘检测的方式不能获得完整的边界信息,且对噪声非常敏感。从而不能得到准确的镜片疵病几何特征。本文给出一种改进的区域边缘检测方式提高了边界信息提取的时效性和准确性;为提高几何特征计算的准确性和时效性,给出改进的最小面积外接矩形的计算方式,线性相关性是划痕和毛絮的一个重要分类特征。但是划痕像素宽度过大,线性相关系数不能很好的体现划痕的线性程度,本文提出经过细化后再进行线性相关性系数的计算。针对于面积和周长的计算,提出一种基于区域填充编码方式的面积和周长计算法方式;根据提取的特征,利用PCA主成分分析法,进行特征向量降维处理,利用SVM进行学习和分类,建立一个分类成功率高的SVM模型。根据对镜片疵病特征的分析,针对性的进行提取和处理,从而提高镜片检测系统的准确性和时效性。