作为一种最重要的填料，炭黑在橡胶中分散与分布的均匀程度直接影响橡胶制品的某些重要物理机械性能、动态性能、加工性能以及成品的使用性能，因此，准确快速地测定出胶料中炭黑分散度，对于改进工艺、提高产品质量和性能以及节约能源等具有重要的意义。 本文在对橡胶中炭黑分散度指标进行数据处理和特征提取之后，分别从模式识别模型的建立、实现与模型分析三个环节讨论了炭黑分散度的数学模型。为了提取有效的特征，分别进行了主成分分析和独立成分分析，并通过比较说明，两种方法都可以起到有效的降维提取作用。在模式识别模型方面，分别建立了炭黑分散度的费希尔多类判别模型与支持向量机多分类模型，模型分析结果表明，两种模型均能以较高的识别率进行判级，而且实验证明，基于RBF核函数的SVM具有更高的正确识别率。 通过SVM模型和增量算法相结合，使系统具有“自学习”的功能，这对于添加样本重新建立训练模型并形成厂家标准以及增加模型的实际适应能力，具有重要意义。 在炭黑分散仪的算法设计和实现方面，对视频采集的胶料样本进行了图像处理，并且根据混炼胶不切样本的分散特征提出了相应的二值化处理方法。所设计的软件系统具有较为丰富的功能，如图像读取、图像显示、图像保存、图像处理、自动判级、统计、查询、报表输出、自学习，并且以SQLServer2000作为数据库管理系统，便于系统管理和维护。 本文的研究意义在于提出炭黑分散度识别的新方法，考察了混炼胶不切情况下的图像处理和识别问题，引入增量学习技术改进了自学习的训练时间，丰富了系统的操作界面和功能，满足了在线检测和信息化管理的工业要求。