近年来,随着工业化、信息化进程的不断推进,基于CCD的零件检测技术作为一种集计算机科学,信息科学为一体的新型测量手段,开始代替传统的手工测量,并形成一定的产业规模。相比于传统检测方式,该技术具有非接触性,响应速度快,自动化程度高和操作便捷的优势。但目前普遍的CCD检测技术,只能满足特定型号零件的检测,而且需要人工交互式操作,存在一定的局限性。因此,研究一种更加通用的,智能的检测技术对于零件检测的发展将具有重要意义。本文针对目前零件检测存在的局限性问题,提出了一种基于CCD的非接触零件尺寸检测方法。该方法利用CCD相机采集零件轮廓图片,并由计算机负责处理,满足了非接触性的要求；通过本文提出的图像处理算法实现了较好的通用性能,对于一般的零件均有很好的适应性；使用零件轮廓作为实际的观测对象,既降低了数据量,又提高了检测效率。这种方法不需要大量的先验知识,且具有较好的智能性,通用性。在图像处理算法方面,本文首先提出了一种新的轮廓提取技术。由于传统的边缘检测算法容易出现边缘缺口和伪边缘的问题,因此其无法作为后续角点检测的合理输入。本文的轮廓提取算法则在传统的边缘检测基础上,提出了一种边缘融合与提取准则,解决了如何填补边缘缺口以及选择边缘长度的问题,实现了单像素轮廓的提取。同时,该准则可以推广到其他任意图像。其次本文提出了一种自适应的特征点检测技术。特征点检测技术可以将零件轮廓定位、分割,形成不同的曲线段；再对曲线段进行参数估计,得出最后的尺寸参数。该技术利用新型曲率(以下简称KD曲率)实现轮廓的曲率计算,并通过强度阈值实现了非极大值抑制,最后得出角点的位置坐标。算法首次提出了角点强度的概念,可通过不同的强度阈值控制角点筛选尺度。由于算法将零件轮廓分段分析,因此对零件轮廓没有先验要求,不需要如圆形,直线型,圆孔型等具体的形态限制,具有一定的自适应性,这也恰恰是零件检测技术实现通用测量的基础。最后,本文通过三组实验对方法做了全方面的测试与应用。第一组实验检测自适应算法的鲁棒性和精确性；第二组实验通过无噪声零件图片,着重测试本文算法的零件检测性能；第三组实验则通过实际的带噪声零件图片测试算法在应用中的表现,并分析了算法的时间复杂度。从三组实验结果来看,本方法各个模块设计合理,精确度高,响应时间短,能够满足一般零件的检测需求。