表面粗糙度关系着零件的摩擦、装配、抗疲劳等性能及使用寿命,对表面粗糙度进行全面、高效、精准地测量是实验与实际生产过程中重要的环节,现有的表面粗糙度测量方式多以离线测量方式为主,评定标准多用于二维轮廓测量,而对于三维表面粗糙度的在位测量研究较少。机器视觉技术是基于光学技术、计算机技术和信息技术等发展起来的一门综合性技术,将机器视觉技术与表面检测技术相结合,为切削加工表面质量的检测与缺陷识别提供了一个新的研究思路。因此本文针对高速干式切削的清洁切削加工方式,基于机器视觉技术研究表面粗糙度的测量方法,并开发相应的表面粗糙度在位测量系统,实现高速干式切削表面粗糙度的在位、无损测量。本文以典型难加工材料高温合金GH4169为加工材料,选取不同的切削用量开展清洁切削加工方式-高速干式铣削实验,并对铣削后材料表面形貌进行观测和分析;使用KEYENCEVK-X200激光扫描显微镜采集已加工表面图像,对表面粗糙度Sa进行测量,并对采集的已加工表面图像进行选取,建立加工表面图像样本集,为后续表面粗糙度测量方法研究提供样本支持;分析铣削表面图像灰度转换、图像滤波和图像增强的预处理方法,选择从HSI色彩空间提取灰度分量的灰度转换方法、中值滤波的图像滤波方法、平方变换的图像增强方法,并将表面图像中的灰度值转换为高度值,构建铣削加工表面三维形貌图像,进一步证明利用表面图像灰度值来对表面粗糙度研究的可行性。通过铣削加工表面图像的灰度共生矩阵计算表征纹理分布规律的特征值,统计差异性、对比度、同质性、相关性、熵和能量六种特征值与表面粗糙度之间的变化关系,发现差异性、对比度、熵和能量四种特征值与表面粗糙度之间关系较明显,确定差异性、对比度、熵和能量为构成图像特征向量的特征值。针对加工表面碎屑的干扰问题,对已加工表面图像进行了二值化处理,提取出表面碎屑信息,估算表面图像中碎屑的面积;分析碎屑面积与特征值变化率之间的数值关系,得出数值关系间的拟合公式,提出带有碎屑的表面图像特征值的优化方法,解决因碎屑干扰而导致的特征值发生变化的问题,另选取带有碎屑的表面图像进行试验,经试验,所提出的特征值优化方法具有较好的效果。提出两种并行的基于图像纹理特征的表面粗糙度测量方法,一种是基于LabVIEW分类器的表面粗糙度测量方法,在LabVIEW开发平台中采用最邻近法的分类方法,选择150张加工表面图像,依据图像的特征向量对样本图像进行训练,生成了包含样本图像特征向量和表面粗糙度的特征分类器,通过特征分类器对待测图像进行表面粗糙度分类,从而实现表面粗糙度的测量;另一种方法是基于BP神经网络的表面粗糙度测量方法,在MATLAB中以加工表面图像的差异性、对比度、熵和能量四种特征值为输入层,以表面粗糙度Sa为输出层,建立BP神经网络模型,选取同样150张加工表面图像进行训练,通过LabVIEW与MATLAB混合编程,依据待测样本图像的特征值对表面粗糙度进行预测。另外选取30张加工表面图像对两种表面粗糙度测量方法效果进行分别试验,经试验,基于LabVIEW分类器的表面粗糙度测量方法误差为9.52%,基于BP神经网络的表面粗糙度测量方法误差为9.81%。设计由硬件部分和软件部分组成的表面粗糙度在位测量系统。硬件部分包括图像采集装置和运动部件装置,选择工业相机、显微镜头、同轴光源搭建图像采集装置,选择丝杠、滑台、步进电机及其控制器搭建运动部件装置,实现对加工表面图像的快速采集;以LabVIEW为主要开发平台,结合MATLAB程序,开发表面粗糙度测量系统的软件部分,软件分为图像采集模块、图像预处理与分析模块、表面粗糙度测量模块和操作面板;在DMGDMU-70V五轴数控加工中心上进行表面粗糙度在位测量系统现场使用试验,满足表面粗糙度在位测量的需求,具有较高的检测速率。