激光拼焊作为一种先进的焊接方式，广泛应用于民用设施建造的过程中，比如航天、航空、汽车制造等领域。激光拼焊板的质量检测问题关系到激光焊接件的机械性能与寿命，所以检测工作在激光焊接生产线上意义重大，有较强的研究背景需求。依靠激光能量与板材相互作用产生的物理信号成为人们检测焊接件质量的主要方式，这些方法有:声信号检测、辐射信号检测、等离子信号检测、光电信号检测等。前三种检测方法由于检测设备较为复杂，检测精度不高，使用受到限制;而基于机器视觉的光电信号检测由于在线检测效率高，检测精度高等特点日益被关注。目前，美国、加拿大、瑞士等国家的激光拼焊生产线均已经配备基于视觉的检测装置，这就对我国激光拼焊线的在线检测能力提出了挑战。　　 本文以中国科学院知识创新工程方向项目“全自动激光拼焊成套装备关键技术研究与示范应用”为依托，针对激光拼焊焊后焊缝表面质量视觉检测系统的关键技术进行了研究。论文总体上分为三个部分:　　 第一部分是对聚类分析方法的研究。首先，对层次聚类理论进行了阐述，分析了层次聚类方法优缺点，提出一种基于链关系的层次聚类方法。该方法在小类内大类间分布假设下可以确定模式点类别数，并且避免了传统层次聚类迭代过程中的模式点选取随机性;其次，阐述并分析了划分聚类分支特点，提出基于空间模式点预测的k-means方法。该方法在两个方面进行了改进，一个是对空间分布进行了Hopkins系数的预测，可以确定分布类型是否适用于k-means方法;另外引入A.K.Jain的聚类有效性相对指标确定类别数。实验表明，该方法对于空间模式点具有更为准确的评估和聚类结果给出;最后，针对k-means方法局部最优问题，提出k-means全域类别建模方法。重点进行了类中心初始位置的相关讨论。由于k-means方法的局部最优问题的讨论往往只关注类别数设定的影响，而对于初始位置的影响并没有过多的涉及，所以有必要进行深入研究。m类n中心的类高斯模式点分布空间中，首先确定了k-mesns的聚类机制，明确1-NN始终是该方法遵循的规则。两类观点被引入目的是用来简化问题的讨论，并在此情况的基础上进一步强化条件，将类高斯分布特殊化为高斯匀质薄板。在k-means聚类机制与强化条件下，讨论了一种小概率事件和一种零概率事件，目的是明确位置因素导致的局部最优性的不可能形式。最后，在可能的局部最优形式下，给出了局部最优的古典概型表达式。　　 第2部分是在完成聚类分析问题的研究后，从图像分割与聚类分析方面进行结合与应用;提出一种基于灰度级抽取的图像分割方法，将聚类技术作为直方图的重要补充来进行。基于直方图分割的前提是各像素级点集有聚团行为，且应对应像素级统计峰谷形态信息。这个前提其实是一个先验，是方法设计的假设。所面临的分割问题，确切的说，是不具有这种确定先验的。本文以空间近邻关系信息的考察为准则，明确具有该近邻关系的像素级点集应该被聚合，进而提出了一种像素级抽取的方法。避免了传统直方图将顺序的像素级序列划归为一类的缺点，能够更为准确的进行图像分割。　　 第3部分在实际应用方面，着眼于视觉检测的关键图像分割，指出常用方法的不足，给出多特征结合的图像分割方法。所做工作力求为我国激光拼焊检测装备的研制提供理论和技术支持。激光拼焊质量检测中，焊缝区域的识别的关键步骤是图像的分割。考虑到实际生产中可能遇到的油烟覆盖，热影响区不规则等因素，更加鲁棒的分割方法被提出。本文从焊缝物理形貌进行考察，确定了Laws纹理能量模板来进行区域的凸显。分块操作的目的是降低运算复杂度和描述的准确性，利用一致性、对比度、熵、均值、方差五个特征来进行每个子块的提取。最后利用主成分分析考察冗余特征，明确2特征空间下的焊缝聚类区域，进而完成了焊缝的分割。