工业产品的表面质量是其质量的重要构成部分,也是其商业价值的重要体现。随着数码时代的到来,机器视觉的硬件研究有了飞速发展,以图像处理技术为软件基础的视觉检测在工业产品表面缺陷检测上的优势也愈发明显。目前,机器视觉检测的应用非常广泛,其需要使用到的图像处理技术也成为了国内外的研究重点。因此,本文对基于图像处理的表面缺陷检测关键技术进行了较为系统的研究。本文以表面缺陷检测的主要流程为基础,针对其中产生的缺陷图像预处理、缺陷图像分类、缺陷目标提取、缺陷特征测量以及缺陷检测实际应用五个问题,综合运用超分辨率重建、卷积神经网络、稀疏编码、低秩分解、图像测量、可靠性评估等相关领域知识,深入地研究了对应解决方法,体现了较好的原创性和灵活性。本文主要研究工作及其创新包括如下五个方面。（1）针对原始缺陷图像受采集设备、光学像差、衍射模糊和噪声等影响导致其分辨率不高的问题,提出了一种基于多帧盲去模糊的缺陷图像超分辨率重建方法,为提高缺陷图像分辨率提供了新途径。该方法的创新性主要包括:提出了一种改进的前向MFSR模型,克服了旋转矩阵(2₆)实际代表高分辨率图像之间关系,却通常用低分辨率图像进行估计的矛盾,降低了其带来的不准确性;将改进的前向MFSR模型转化成了MFBD模型,后者比前者更容易求解;将MFBD问题转化成求解高分辨率图像和求解模糊核这两个相关子问题,并利用ADMM算法对其进行求解。通过在仿真图像和真实图像上的实验验证了提出算法的优越性和鲁棒性。（2）针对表面缺陷类型复杂多样的问题,提出了一种基于卷积神经网络和稀疏编码的缺陷图像分类方法,实现了对缺陷类型的分类判别。该方法的创新性主要包括:提出了一种运用CNN结构中卷积层提取缺陷图像深度CNN特征的方法,将在ImageNet上训练得到的CNN迁移学习到缺陷图像的特征提取中,得到更丰富的语义信息,克服了传统低层特征,如几何、纹理、灰度特征的不足;将深度CNN特征与稀疏编码相结合,运用字典学习、稀疏系数编码、最大池化实现对高维特征的稀疏表示,得到稀疏CNN特征;使用SVM对缺陷图像的稀疏CNN特征进行分类。在NEU表面缺陷图像数据库上对提出算法的精确度进行了验证。（3）针对从缺陷图像中提取缺陷区域存在的背景纹理复杂、灰度分布不均匀、缺陷微小等缺陷提取问题,提出了一种基于纹理特征和低秩分解的缺陷目标提取算法,实现了对复杂背景下微弱缺陷目标的分割。该方法的创新性主要包括:提出了一种缺陷图像先验信息提取方法,通过计算输入图像的纹理先验来构造纹理先验图,在先验图中越高的像素点具有越高的成为缺陷部分的概率;提出了一种带权重的低秩分解W-LRR模型,使用纹理先验图构建W-LRR模型的权值矩阵;用自适应参数更新法完成对W-LRR模型的求解,最终实现缺陷目标的检测。通过对仿真噪声缺陷图像、真实纺织物缺陷图像开展实验,验证了提出算法的有效性。（4）针对常见的裂纹型缺陷长度特征计算问题,提出了一种基于树型结构模型的裂纹长度图像测量算法。该算法的创新性主要包括:设计了一种树结构模型实现对裂纹骨架的建模,通过分析裂纹骨架上各像素点的近邻关系对其进行分类,具体将骨架像素点分为枝干点、分枝点、端点三类;运用提出的修枝算法提取出裂纹骨架的主干,并通过遍历计算出裂纹的长度。将图像测量算法结果与人工测量结果进行比较,验证了提出算法的可行性。（5）针对表面缺陷检测的实际应用问题,提出了一种基于图像处理的表面缺陷检测的可靠性评估应用。该方法的创新性主要包括:建立了一种基于图像检测方法的可靠性评估框架,将图像测量技术和可靠性评估方法有机的结合起来;利用维纳过程对图像测量结果进行退化建模研究;利用马尔科夫链求解退化模型参数,实现对工业产品的可靠性评估。通过对一组塑料板样本进行疲劳试验,验证了方法的有效性和其在可靠性评估中的可行性。