由于生产过程中多种因素造成金刚石锯片表面产生裂纹,而裂纹极有可能引起锯片疲劳断裂,造成严重后果。因此及时对成品锯片裂纹进行识别检测具有重要的现实意义。由于金刚石表面图像较为复杂,拍摄过程中也会产生混合噪声以及光照不均,以及正负样本分布不平衡等问题。本文将重点探讨样本不平衡问题对分类器预测结果的影响以及解决方法。针对噪声干扰与背景复杂带来的图像质量不佳以及目标难以分割问题,本文分析各种主流去噪算法与图像分割算法以及它们的混合算法,并分别进行大量实验对比分析其在锯片图像上的处理效果。最后采用了去噪效果相对良好且能较好保留裂纹部分的双边滤波,以及分割效果较为良好的开闭运算后二值图像的Canny边缘检测。经过分析,本文采取了既对光照变化不敏感,又能从各个方向进行纹理提取的Gabor变换,并采用DCT压缩以及相对灵活的DPA提取法进行DCT系数提取。针对每个方向的Gabor图像对分类器贡献不同进行创新,设计出自适应特征权值法,提高了分类精度。针对金刚石锯片图像数据集呈现出的样本不平衡性,造成SVM分类器分类效果差的问题,本文设计实验分析其样本分布特点以及不同比例的影响程度。本文分析了几种典型的基于样本不平衡改进的算法,总结它们的优缺点,并进行了基于锯片图像数据集的对比实验,分析它们的不足之处。本文在吸取DEC对少数类样本点较为敏感以及ADASYN改善少数类稀疏性的基础上,结合裂纹图像实际特点,设计出一种包括预处理、训练以及后处理三个阶段的混合SVM。并在锯片数据集上进行初步对比验证,验证结果证明了其可行性与有效性。最后,本文在Matlab下设计了共三组实验,分别为:研究DCT系数数量对预测精度影响,选取最佳DCT数量以让分类器达到最佳性能;其次,设计对比实验验证改进后的混合SVM在少数类子类上的分类效果;最后,设计实验从三个综合指标评估混合SVM的在锯片数据集上的总体性能。实验验证了改进后算法在具有不平衡性的金刚石锯片数据集上的优越性与可靠性。