在振动监测领域,传统的接触式监测由于使用方法的限制,其应用具有一定的局限性。为了实现非接触、全场式、多场景监测,基于机器视觉的监测技术成为振动监测领域的关键方法之一。本文以机器视觉为主要方法,以一维振动特征的提取与识别为主要目的,针对两类纹理特征不同的测试对象提出了两种有效的振动监测方法。针对自然结构明晰、纹理特征丰富的目标物体,本文采用图像预处理相关算法提取像素级振动特征,并提出了一种用于分类、识别振动特征的网络——带有自注意力机制的多尺度残差网络（multi-scale resnet with self-attention mechanism,SA-MSResnet）。首先,本文介绍、对比了常见的图像预处理算法,总结了不同算法的优缺点及适用场景,最终选择滚动导向滤波（Rolling Guidance Filtering,RGF）和Prewitt边缘提取算法进行了像素级振动特征提取实验。然后,介绍了本文所提出的SA-MSResnet网络结构及原理,并使用该网络成功地识别出11类不同频率的像素级振动特征。最后,为了验证SA-MSResnet网络的有效性,对比了四种不同网络模型的振动监测能力,结果表明,SA-MSResnet网络可以忽略信号中的随机噪声,自适应地实现多种频率信号的分类。针对自然结构不明显,甚至表面无特征的目标物体,本文采用光栅投影振动测量系统提取振动特征,并提出了一种具有高动态振幅测量范围的新型投影模式——同心圆光栅。首先,本文介绍了光栅投影振动测量系统中常用的两种相位偏移算法,通过比较算法原理及适用场景,最终选择傅里叶变换轮廓术（Fourier Transform Profilometry,FTP）作为后续实验的参考原理。然后,本文针对线性光栅在振幅测量范围方面的限制问题,提出并介绍了新型同心圆光栅投影振动测量系统,并使用该系统成功地提取出目标物体的振动特征。最后,为了验证新型同心圆光栅振动测量系统的优越性,在振动幅度方面进行了对比实验,在振动频率方面进行了测量实验。结果表明,新型同心圆光栅投影振动测量系统具有全面的振动监测能力。本文针对两类纹理特征不同的物体,提出了两种基于机器视觉的振动监测技术。实验表明,两种技术均能通过图像的方式准确采集并识别振动特征,为非接触式振动监测领域提供了新方法、新思路。