荧光磁粉探伤是一种常用的无损检测方法，它具有缺陷显示直观、灵敏度高、检测速度快且成本低等优点，是钢制零件表面及近表面缺陷检测的首选方法。目前，半自动轴承零件荧光磁粉探伤设备已经大量使用，但仍然是依靠人眼结合个人经验对由荧光粉显示的缺陷进行判别。人的主观因素可能导致检测过程不客观、不规范，检测质量难以保证。因此，开发智能轴承零件荧光磁粉检测系统不仅能够极大地提高轴承零件的检测效率，也对提高劳动生产率、保证产品质量、有效地避免人为因素对检测质量的影响具有重大的意义。 轴承磁粉探伤系统主要由紫外光源、CCD相机、数据采集卡、工业控制计算机、机械传动、悬浮喷淋液控制和电源等部分构成。本文针对轴承零件磁粉探伤的重点和难点，着重讨论系统的图像预处理方法、图像分割方法、特征提取方法和缺陷分类识别方法，主要研究内容如下： 文中首先研究了图像去噪及增强的方法，经过几种方法的研究比较，最终采用中值滤波和均值滤波相结合的方法对数字图像进行平滑处理，采用拉普拉斯算子和灰度变换对图像进行增强处理。其次，研究了多种图像分割算法，通过对几种算法的研究，采用了一种基于小波去噪的改进型Canny边缘检测算法，经实验发现该算法能够明显的将图像中的边缘部分凸现出来，再结合数学形态学的膨胀及区域填充方法将空心区域填充，完善了分割结果，使提取的识别区域比较准确，有利于后续的分析和识别。再次，本文根据轴承零件荧光磁粉缺陷图像的特点，在分析特征向量产生方法的基础上，提取出12种有效特征量，实现缺陷图像的特征提取。在研究系统的缺陷分类方法中，设计了一种基于BP神经网络的分类器，可以实现非线性复杂和高速并行处理，满足轴承零件表面缺陷的在线分类识别要求。通过实验证明，系统可以有效地识别轴承零件表面缺陷类型，识别率达到89.6％。最后对整个系统的软件设计进行了简要介绍。 本文深入研究了图像处理技术、神经网络及模式识别理论在表面缺陷检测领域的应用，设计的轴承零件磁粉探伤缺陷检测系统对轴承零件表面缺陷图像的处理结果较好的达到了预期的目标，具有较高的推广应用价值。