钢铁生产中很重要的一项指标就是其表面质量的好坏。带钢表而缺陷是影响其表面质量的重要因素，进行带钢表面缺陷检测及识别对于提高其表而质量具有非常重要的作用。带钢表面检测及识别技术已成为国内外研究的热点问题。传统的人工检测的方法已经不能满足生产需求，因此研究和设计带钢表面缺陷自动检测识别系统已成为钢铁企业的共识。　　 随着计算机技术的发展，模式识别技术也在近几年得到了快速的发展，并且成功运用于很多领域。模式识别技术汇聚了多个学科的知识与技术，如图像处理、智能控制、模式识别、机器视觉等。而本文主要研究了带钢表面缺陷的识别，也属于模式识别类问题，由于国内在带钢表面缺陷识别方面还存着一定的问题，因此本课题中主要在算法上针对此问题做了进一步研究，以便使带钢表面缺陷识别的研究工作做的更好。　　 对于此问题，本文的主要目的在于能研究出对常见的带钢表面缺陷进行识别分类的系统。主要研究内容如下：　　 首先，选取不同的方法对所得到的缺陷样本进行滤波降噪，并比较得出有利于带钢表面缺陷降噪的方法。文中对缺陷样本进行不同角度的旋转及不同倍数的缩放变换，使得带钢表而缺陷尽可能全面的被识别。　　 其次，对经过预处理的缺陷图像利用小波变换法进行特征提取，和常用的提取方法相比较，利用小波变换法提取特征算法更简单。经过实验选取出有利于带钢表面缺陷识别分类的小波基。　　 再次，对提取出的特征量利用主成分分析法进行降维处理，很大程度上减少了冗余量。在此基础上比较了BP神经网络及支持向量机的识别方法。相较而言，支持向量机法更适合于带钢表面缺陷的识别过程。　　 最后，选取了横折印、滑伤、平整斑、锈蚀等几种常见的带钢表面缺陷进行识别验证算法。达到了比较好的效果。