随着神经网络及相关技术的发展,检测分类技术越来越多的应用于复杂材料表面的自动瑕疵检测中。在PS版表面瑕疵检测中,为了提高生产线的速度与缺陷的检测准确率,并实现对生产线缺陷的实时控制,机器视觉在成本、速度方面远比人类优秀。利用机器视觉技术进行表面瑕疵检测与分类,具有检测准确、缺陷识别范围较广、可靠性高且高效等特点,是目前表面瑕疵无损检测领域研究的热点。根据PS版的特性,针对其表面的瑕疵检测问题,本文提出了一种基于改进的BP神经网络的瑕疵分类方法,先对图像进行匹配后做归一化处理,从而去除了外界环境对图像造成的影响,再把图像划分成子块,提取子块的梯度直方图作为特征向量,提取后的特征向量作为神经网络的输入。BP神经网络是最新发展起来的使用最广泛的分类方法之一。它避免了其它神经网络容易出现的过学习问题,可以有效地解决分类问题。并针对BP算法的缺陷,使用动态改变学习速率和加动量项的方法进行了改进,有效提高了瑕疵的查全率和查准率。