近年来,基于机器视觉的产品检测技术以其高效率,高可靠,低成本等优点应用越来越广泛。本文较为系统地研究了机器视觉产品检测的相关技术,并针对玻璃缺陷图像检测,提出了具体的机器视觉检测方法,设计并实现了一个检测性能较好的玻璃缺陷检测系统。在此基础上,通过对特征提取、模式识别相关方法的研究,以便进一步对玻璃缺陷进行自动分类和提高识别率。本文所做的工作主要有：1、介绍了机器视觉的相关概念及其应用现状,将机器视觉应用于玻璃缺陷图像的检测。针对玻璃图像对比度低,边缘模糊等特点,选定了几种适用于玻璃图像的预处理方法,包括：灰度化处理、空间线性变换、二值化方法及小波去除噪声。2、本文将小波网络、遗传算法及K-L有机结合,进行玻璃缺陷图像特征提取。对缺陷图像进行两次压缩、一次降维,在注意避免陷入局部积小的同时,达到快速收敛的目的。这种方法使得图像特征提取更加快速,取得了较好的实验效果。3、本文提出了一个新的WMDC——加权最小距离分类器分类模型,通过对样本属性距离的加权定义,以及增加属性值的范围约束,扩大了最小标准化欧式距离分类器的适用范围,同时提高了最小距离分类器的分类准确率。本论文中的图像缺陷检测系统的主要部分由摄像机、图像采集卡和微型计算机组成。本文只涉及软件部分,作者用Visual C++完成了玻璃缺陷检测的软件开发工作。通过理论研究与实验,检测系统能用于检测玻璃的气泡,夹杂物,结瘤等缺陷。证明了本文所提出的玻璃缺陷图像的检测方法是有效和可行的,为玻璃缺陷图像机器视觉检测的进一步的研究和开发奠定了很好的基础。