在机械加工领域中,工件表面的粗糙度是评估表面质量的关键指标,工件的安全性、机械性能和使用寿命都会受其影响,特别是对于那些具有特定功能的工件（如密封、相对移动等）。目前,表面粗糙度的检测技术大多使用接触式测量仪或光学仪器,但是由于这很容易导致工件表面的损坏,又或者在实际制造生产过程中对机械设备和环境的要求较高,因此无法应用于实际制造过程中。将机器视觉技术运用于工件表面粗糙度检测,可以有效地解决检测效率低、精度差和检测成本高等问题。本文以机器视觉理论为基础,采用纹理特征提取方法对立铣工件进行非接触式无损的表面粗糙度检测。本文主要研究内容如下:（1）探讨了工件表面粗糙度的定义,以及其与波纹度和表面形状误差之间的差异,深入剖析了以上概念的具体含义;根据标准阐述了表面粗糙度的评估参数,并详细介绍了如何采样和评定长度;（2）以立铣工件为研究对象,获取工件表面图像,并建立数据集。在对工件图像进行预处理的基础上,提取表面图像特征,构建参数与表面粗糙度之间的模型关系;（3）针对传统灰度共生矩阵（Gray Level Co-Occurrence Matrix,GLCM）的提取误差和旋转不变性较差的问题,本文提出改进的灰度共生矩阵特征提取算法,并通过实验验证其鲁棒性优于传统GLCM;针对GLCM获取的是工件图像的全局特征,缺少对局部特征的描述,本文提出了通过对工件表面Gabor特征融合的粗糙度检测方法,特征向量的维数可以有效降低,改善了特征的表征能力;（4）构建基于立铣工件表面粗糙度Ra的支持向量机回归（Support Vector Regression,SVR）模型。以基于ET-GLCM提取的8个纹理特征和基于Gabor的融合特征为模型输入,对应表面粗糙度Ra为输出,通过构建SVR回归模型实现立铣工件表面粗糙度的非线性检测。为了提高表面粗糙度预测的准确性和运算速度,利用改进粒子群算法（Improved particle swarm optimization,IPSO）对SVR的核函数参数和惩罚因子进行优化,有效避免了算法陷入局部极小值的问题和SVR模型参数选择的盲目性。通过与其它回归模型的比较和对不同特征组合的预测实验,验证了所提模型具有更优越的预测性能,所提出的纹理特征提取方法更具有优越性。实验证明它有效解决了目前非接触式检测工件粗糙度方面存在的问题,对于实现其他需检测光滑度的工程应用同样有着十分重要的作用。