机器视觉系统中常用的模式识别方法主要包括以下几种：
1. 模板匹配法：这是一种基于特定模式的识别方法，通过将输入图像与预先准备好的模板进行比较，找到最佳匹配的位置。模板匹配法分为全局匹配法和局部匹配法。全局匹配法适用于目标物体在图像中的位置和尺度变化较小的情况；局部匹配法则将图像划分为多个局部区域，通过计算每个区域与模板的相似度来确定最佳匹配位置。
2. Blob分析法：Blob在计算机视觉中指的是图像中具有相似颜色、纹理等特征所组成的一块连通区域。Blob分析法就是对图像中相同像素的连通域进行分析，分割出前景和背景，然后进行检测。这种方法适用于背景单一，前景缺陷不区分类别，且识别精度要求不高的场景。例如，在玻璃瑕疵检测中，Blob分析法可以有效地检测出生产过程中的凸起、黑斑、裂缝等瑕疵。
3. 深度学习法：随着机器学习、深度学习的发展，深度学习法逐渐成为目标检测的主流算法。深度学习可以自动学习肉眼难以直接量化的特征，显著提升了图像分类、目标识别的精度。深度学习法通过构建深层神经网络，对输入图像进行特征提取和分类，实现了高精度的模式识别。
模式识别方法还包括统计模式识别、结构模式识别、模糊模式识别等。这些方法在机器视觉系统中也有广泛的应用，但具体选择哪种方法取决于实际的应用场景和需求。例如，统计模式识别适用于根据对象的特征进行分类的场景；结构模式识别则适用于需要精确识别对象各部分之间联系的场景；而模糊模式识别则更适用于处理具有模糊性的问题。
机器视觉系统中常用的模式识别方法包括模板匹配法、Blob分析法、深度学习法以及统计模式识别、结构模式识别、模糊模式识别等。这些方法各有优缺点，应根据实际应用场景和需求进行选择。
