在电力系统中，电触头材料在开关电器中不可缺少，其表面出现瑕疵时会导致接触面的电阻增大，继而使接触面发热，严重时可能会使开关电器失灵，影响高压电器的质量及使用寿命，且目前很多企业对零件表面质量检测还在用人工方法。针对上述问题，提出一种基于机器视觉与机器学习的电触头表面瑕疵检测与分类方法。该方法基于电触头的瑕疵种类和瑕疵特点搭建检测平台，并对采集的基于机器视觉与机器学习的电触头零件图像进行预处理，采用模板匹配的方法对图像中的电触头零件进行定位及表面优劣判断，对预筛选后的电触头图像进行表面降噪，并采用Otsu阈值分割算法对瑕疵区域进行分割。为了能有效地对瑕疵进行分类，对瑕疵区域进行多特征提取，通过设计的特征选择算法对特征进行最优选择，用决策树分类器进行瑕疵分类，分类准确率达92.6%。与支持向量机(SVM)算法相比，决策树分类器在分类时间和效率上优于SVM算法。实验结果表明，对分类数据集进行特征降维可提高分类的准确率。