光学三维测量技术因其非接触、高精度、大面积等优点,在制造业、工业机器人、仓储物流、自动驾驶汽车等领域被广泛应用。这种巨大的应用需求,也促使世界各地越来越多的研究团队和人员加入到光学测量的研究和探索中。其中结构光三维测量技术凭借高精度、高速度、全场等优点逐渐成为工业测量领域的主流方法。高精度、实时光学测量系统是工业三维测量技术研究的目的,本文以单目面结构光测量技术为基础,采用目前主流的相移法和多频外差法进行面结构光三维测量相关方面的研究。首先本文通过理论和实验结果研究结构光系统在高亮、过暗条件下解相失效的原因。分析得出在多频外差解相中,相位级数计算过程中受到条纹节距比乘数放大,从而引起误差跳跃和传递,计算得出相应的误差容纳极限。在误差产生原因和条纹干涉原理的基础上提出一种基于摩尔序列光栅的新型解相方法。该方法有效保留了传统解相方法的高频、高精度,同时从根本上避免了相位计算中相位误差传递和放大的过程,实验和仿真表明新算法有效提高高亮、过暗条件下的解相稳定性和准确率。其次本文提出一种基于BP神经网络建立相位-坐标的映射模型,利用神经网络强大的函数拟合能力、泛化性、并行计算能力,提高高精度结构光的三维重建速度。同时本文提出一种灵活的高精度训练集采集方法,使得系统的标定和训练更加灵活。实验结果表明,基于BP神经网络实现的相位-坐标计算实时性较传统方法提高了100倍左右。最后本文将提出的两种方法结合对一个标准平面进行测量,并进行绝对精度分析,最终绝对偏差小于0.03mm。同时对传统方法测量中的难点—复杂曲面进行测量,与传统方法结果进行各向差值对比。最终结果表明新方法在保留高精度的情况下,极大地提高了面结构光三维重建的稳定性和实时性,也具有很好的广泛适用性。