冷轧硅钢片是电力、国防、无线电、电讯仪表等工业不可缺少的重要软磁合金。在硅钢生产过程中表面缺陷是影响其质量的重要因素，对硅钢表面缺陷在线检测是提高带钢质量的有效方法。本文以现有武钢硅钢表面缺陷检测设备所提取的表面缺陷图像为背景，对基于神经网络的带钢表面缺陷图像识别方法、专家系统技术进行了研究。设计出神经网络与专家系统相结合的两级图像分类方法，并用于改善现场缺陷图像识别率，在实际环境下硅钢表面的缺陷识别率70％提高至85％以上，实验证实这是一种能够改善现场表面缺陷识别的新方法。论文的研究方向和工作重点如下：　　 (1)阐述冷轧硅钢表面缺陷识别的意义、背景、国内外现状，介绍硅钢表面缺陷识别的实际情况。综合叙述图像识别技术，并阐述本文的思想主线和主要研究内容。　　 (2)研究武钢硅钢1450酸连轧的表面缺陷检测设备，分析其结构组成和工作原理，找到外界环境影响缺陷检测设备的关键点，保证后续提高表面缺陷识别方法的可靠性。　　 (3)从实际生产角度出发，分析硅钢生产中的表面缺陷状况，并将常出现的缺陷给出定性分析。然后总结硅钢图像具体特性，研究探索适用于硅钢图像分类的图像特征提取方法，对进行已有特征种类优化，建立能够同时用于专家系统知识库和神经网络分类器的特征库。并以此作为提高识别率试验的基础。　　 (4)针对现场提取出的硅钢表面缺陷图像，设计基于LVQ2算法的神经网络分类器。通过试验找出适合于硅钢缺陷图像分类的分类器参数配置。选择试验得到识别率最高的两组参数进行后续的现场试验。　　 (5)研究专家系统，建造能用图像特征做为知识描述符、能输出适合神经网络分类器的输入输出方式的小型专家系统分离器。该分离器在对部分易描述的缺陷上取得了较好的效果，提高了对现场带钢检测时出现的未知缺陷识别率。　　 (6)按照“从分到总”的步骤进行试验：先选取两级分离器中的主体分离器使用的算法，再选择主体分离器使用的图像特征，然后用单一分类器进行缺陷识别率试验，最后用两级分离器进行试验。将试验结果进行对比，得知双级图像识别系统很大程度地减少硅钢带钢表面缺陷图像的无法识别率，能直接提高表面缺陷识别率。　　 本文中的研究对表面缺陷识别技术在工业自动化生产中的应用有重要意义。实验数据表明现阶段的研究还存在一些问题，要使这项技术能够在硅钢表面缺陷识别中得到进一步应用还需要在项目后阶段继续完善。