钢材的表面质量对其产品的性能和寿命有着重要的影响,表面粗糙度和表面缺陷是衡量表面质量的重要指标。随着社会生产力的提高,优质钢材的需求量越来越大,对于钢材表面粗糙度和表面缺陷的检测也愈发重要。现阶段,大多数的表面质量检测手段仅局限于表面粗糙度或者表面缺陷一种参数的检测,并且大多适用于离线测量,能够同时在线测量表面粗糙度和表面缺陷的技术仍不够完善。在总结和归纳了现有技术的基础上,本文搭建了一套表面粗糙度和表面缺陷检测系统。该系统利用激光散射技术测量工件的表面粗糙度,测量范围为0.025μm~0.8μm。利用机器视觉技术检测工件的表面凹槽和凸起。分析采集的表面散射图像,提取了散射特征值S、亮点比BPR和亮灰度比BGR三个特征参数来评价表面粗糙度,得到了它们和表面粗糙度之间的关系式。同时,使用BP神经网络、支持向量回归机(SVR)和卷积神经网络(CNN)实现了表面粗糙度的预测,其中BP神经网络和SVR预测的均方根误差分别为0.0012和0.0192,CNN模型分类的准确率为100%。使用图像处理算法判断并定位了工件表面的凹槽和凸起,计算了它们在测量方向上的尺寸,并验证了激光作为光源检测表面缺陷的可行性。完成了0.2mm~1mm表面凹槽的宽度测量以及直径为3mm和4mm的表面凸起测量,测量的均方根误差分别为0.0122和0.2458。使用SolidWorks软件设计了透明窗模拟装置以实现表面参数的在线检测,并利用其Flow Simulation模块进行流体仿真。使用该装置进行了表面粗糙度的在线测量,验证了仿真结果和装置的可行性。实验结果表明,该装置能够用于冷却液存在时工件表面粗糙度的在线测量。本文的研究为在线检测工件表面粗糙度和表面缺陷奠定了一定的基础。