零件尺寸测量是保证产品精度和质量的重要环节。目前,零件尺寸的测量,特别是微小零件,主要是以人工手动接触式测量为主,存在测量精度低、速度慢的问题。随着图像分割技术、硬件计算能力的日趋成熟,本文通过图像分割的方法对微小零件尺寸进行测量,该方法具有精确、非接触式等特点,并且能够满足现代化工业生产需要。本文针对手表定子片零件进行尺寸测量,定子片精度要求为微米级别,其大小均在25mm以内。本文通过传统的图像分割方法和基于深度学习的图像分割方法来实现手表定子片微小零件图像分割,进而实现尺寸测量。本文主要的研究内容和工作创新点如下:1、搭建微小零件尺寸测量系统。通过工业相机采集零件图像,接着对相机进行标定和零件图像畸变矫正。然后,对零件图像进行基于阈值的图像分割,通过霍夫变换提取圆,利用六参数模型的坐标变换实现零件图像和模板图像的匹配,进而对零件图像计算圆心距和轮廓度,实现了微小零件图像的精确测量。2、针对零件图像具有标准的模板先验信息,本文提出了一种基于模板先验的微小零件图像精确分割算法用于零件尺寸测量。该方法首先对CAD零件模板进行坐标变换实现模板整体匹配,并通过局部变换调整配准局部零件边缘,再通过融合深度神经网络实现边缘形状辅助的零件图像分割。将深度目标分割与先验模板提供的零件边缘几何信息相结合,同时提出梯度损失函数,对于模糊或破损的零件图像,可以较好的恢复零件边缘结构。3、由于工业相机拍摄的图像为高分辨率图像,然而目前基于深度学习的图像分割算法大多面向低分辨率模型。本文提出了一种基于全局和局部优化的微小零件图像分割算法。该方法通过三层级联语义分割模块实现全局分割,由粗略分割到精细分割,使我们的网络逐步修正分割错误,同时保持边界细节信息。然后,通过局部步骤对图像块分割的优化,可以产生更加精确的分割结果。该方法可以在不使用高分辨率分割训练数据的情况下对模型进行训练,降低了GPU内存对模型的限制。实验结果显示了本文的方法实现了对微小零件的高精度分割和尺寸测量,达到自动化生产线的生产测量要求。