冷轧带钢是家用电器、机械制造等工业领域所必不可少的原材料之一。带钢表面质量直接影响后续产品的质量,因此,带钢表面质量的控制与提高是许多企业最为关心的问题之一,带钢表面缺陷检测技术随之受到了越来越多的重视。模式识别是整个检测系统的关键,本文对带钢表面缺陷图像进行预处理、特征的提取与选择及模式识别。由于现场环境中的噪声污染及光学系统影响等因素都会降低原图像的质量,进而影响后续分类过程,因此,首先对带钢表面缺陷图像进行预处理。针对上述问题,采取了自适应中值滤波算法与同态滤波算法相结合的方法,前者可以较好的实现图像去噪,后者可以较稳定的去除图像不均匀,最终使图像质量得到了较好的改善。其次,在纹理与形态两方面对图像进行特征提取,并将其作为原始特征。由于混合后的原始特征以后容易出现特征冗余或者维数过高的情况,进而影响缺陷模式识别的效果,因此,采取了ReliefF算法与聚类算法相结合的方法进行特征筛选。前者用于筛选对分类有用的特征,后者用于剔除冗余特征,并详细阐述了此方法的基本原理。最后,采用支持向量机进行缺陷模式识别,针对其容易对分类面附近的样本分错类别的情况,在支持向量机中加入了k近邻算法,针对k近邻算法中样本类别分布不均容易导致样本错分的情况,对k近邻进行改进,提出了改进后的KSVM算法。仿真结果表明,分类器经过改进后,其性能优于传统的支持向量机。