近年来,以统计学习为核心的人工智能快速发展,而将人工智能技术应用到工业生产中也成为越来越热门的研究方向。超声波金属焊接传统焊接技术相比具有能耗低、速度快、精度高及操作简单等诸多优点。超声金属焊接系统是由多个系统组合而成,在焊接过程中,需要实现各个系统的相互协调配合,否则会影响金属焊点的焊接质量。本课题从粗铝丝超声波金属焊接的自动化出发,针对超声系统不稳定造成的焊接效果不稳定的问题,探讨利用机器视觉及统计学习的技术,研究超声金属焊点的定位及焊点的质量检测方法。针对粗铝丝超声波金属焊点的定位进而提取焊点图像的问题,结合Canny边缘提取、直方图均衡化及图像形态学等多种图像处理算法,提出一种引线微焊点图像提取算法;同时为了加速算法,在图像处理之前使用高斯图像金字塔对源图像进行缩小,然后对得到的焊点位置坐标进行等比例的放大;最后,为了提高算法的鲁棒性,加入了错误焊点位置筛除的算法。实验结果显示,该算法对于单超声波金属焊点及多金属焊点都有较好的识别准确度。针对粗铝丝超声波金属焊点的质量分类问题,提出使用PCA作为焊点图像的预处理算法,然后使用SVM作为焊点分类的算法。由于焊点图像的数据维度较大,故使用PCA对焊点图像进行降维;为了确定合适的降维维度,利用PCA的逆运算,对图像进行重构;同时通过分析样本的维度和数据量,将SVM作为分类器算法。为了确定SVM使用的核函数,通过PCA将数据维度降低到2维和3维进行可视化,最后确定Gauss-RBF为SVM的核函数,将PCA处理后的数据投向高维空间,以保证高维空间数据的稀疏性,进而创造出数据集线性可分的条件。为了避免SVM出现过拟合,采取K折交叉验证的方式进行训练。按照测试集的测试结果,SVM对焊点的质量检测取有较好的结果。