图象模式识别是一个非常活跃的研究方向，玻璃缺陷识别是模式识别的一个重要应用领域。玻璃缺陷识别主要包括两个方面的工作：玻璃缺陷的特征提取；玻璃缺陷的分类识别。本文在玻璃缺陷识别的这两个主要环节上均进行了研究工作。矩特征方法是玻璃缺陷识别领域中新采用的特征提取方法，也是目前该领域的主流方法，但缺乏识别率数据的报道。本文从矩特征提取方法的实验研究开始，主要工作体现在以下几个方面： I．提出了基于小波分析系数提取玻璃缺陷特征的方法，直接利用小波系数作为特征进行了分析。小波分析的多尺度分解特性既能反映原始图像的局部信息又能反映其全局信息，且消除了噪声，实现了图像的压缩。 2．提出了基于小波包分析提取玻璃缺陷特征的方法，并利用小波包分解进行能量特征提取。由于小波包比普通小波具有更强的时频分辨率，使本方法能提取原始信号中更为精细的时频局域信息作为特征，更能区分不同类目标的细微差异，识别精度和分类性能得以提高。 3. 采用了基于改进的BP网络的模式识别方法，该方法有效地实现了玻璃缺陷的分类识别，减少了训练时间，提高了算法的效率。 本文实验证明，传统的玻璃缺陷识别方法(基于几何特征的缺陷识别法、基于模板匹配的缺陷识别法)，平均识别率仅有65％和68％左右，基于矩分析和BP网络的玻璃缺陷识别方法，平均识别率达到79.2％。而本文引入的基于小波分析系数和BP网络的玻璃缺陷识别方法，平均识别率达到86.7％，基于小波包分析和BP网络的玻璃缺陷识别方法，平均识别率达到89.2％。因此，采用本文的特征提取和分类识别方法比传统的玻璃缺陷识别方法和基于矩特征的玻璃缺陷识别方法具有更高的识别率。