太阳能作为一种新能源，以其清洁无污染、储量大等特点正受到全世界越来越多的关注。随着光伏行业的发展，对硅晶片质量控制要求也在不断地提高。目前，对于其表面的质量检测大多数厂家还采用人工检测的方法，这不仅增加人工成本和管理成本，而且由于人眼易疲劳性，无法保证硅片检测的合格率，也可能会增加产品的碎片率。随着生产规模的扩大和生产线运行速度的提升，人工检测在速度上存在着极大限制，无法达到现代大工业生产线速度要求。针对硅片检测要实现高速度、高精度和实时性的目标，需采用基于机器视觉技术的硅片检测系统代替人工来完成硅片质量的检测。根据太阳能硅晶片检测系统的总体功能（表面缺陷检测和颜色检测）需求，进行了系统硬件结构与软件的设计。硬件部分包括图像采集系统、图像处理系统、图像显示系统、动作执行机构和设备电源供给系统,其中主要分析的部分是图像采集系统，包括相机、镜头和光源。针对具体的检测要求对硬件设备进行了选型。系统软件设计主要是用于实现表面缺陷和颜色的检测：针对表面缺陷检测时需要检测出太阳能硅晶片中缺角（>=0.5mm）、裂痕和穿孔等损坏现象，采用了改进的Canny算子提取图像的边缘特征信息，进行特征模板匹配，对图像差进行分析，辨识缺陷特征。实验结果表明，改进的Canny算子在有干扰的情况下，能够得到较为完整的四条边缘信息，能有效地对裂痕、穿孔和缺角等缺陷进行识别。颜色检测需要解决颜色特征提取和分类器设计这两个问题。颜色特征的提取，需要根据特征选取的一般原则和该检测行业的行业标准来选择，研究中提取了图像的色相H、饱和度S和亮度I的直方图信息，并对I直方图进行分区域提取信息，把这些特征信息作为分类器的分类依据。为了提高分类精度和效率，分类器的设计主要采用了引力搜索算法(Gravitational search algorithm,GSA)和支持向量机（Support Vector Machine，SVM）相结合的分类算法。将粒子群优化算法(PSO)中关于局部最优解和全局最优解的概念引入引力搜索算法中，对引力搜索算法中粒子的记忆性进行改进，提高算法的搜索能力。利用改进后的GSA对SVM参数的寻优并用于分类的特征选择，对采集的300片硅晶片样本数据集，进行算法测试，实验表明，分类器的分类能力和特征选择能力表现非常突出，提高算法的运行效率。实际运行结果表明，系统硅片缺陷测量的精度能够控制在0.2mm以内，硅晶片的颜色检测也满足分类要求，每个硅晶片的检测时间能够控制在1.5s以内，满足工业检测需求。