加工工件表面的微观几何形貌特性在很大程度上影响着零件的耐磨性、耐腐蚀性、接触刚度、抗疲劳能力等物理特性以及使用寿命、可靠性等功能,而近年来科技的发展对工件表面粗糙度的检测效率,精度提出了越来越高的要求。由于传统的接触式与非接触式测量会在待测表面留下划痕,效率低,原理复杂,操作环境要求高等问题,所以近年来基于机器视觉的表面粗糙度测量方法得到广泛应用,但由于基于机器视觉的测量方法在分析过程中需要人工设计图像特征,成本较高,不能满足现实的需求。所以本文提出了一种基于深度学习的图像识别方法,从工件的表面显微图像检测工件的表面粗糙度。通过实验研究,实现了从工件表面显微图像到工件表面粗糙度等级的精确分类以及二维粗糙度参数Ra和三维粗糙度参数Sq,Sa的识别。讨论了卷积神经网络的构建、训练及其图像分类识别原理。卷积神经网络的不完全连接、权值共享以及池化采样结构为其在图像分类识别上提供了不可替代的优越性,其独特的网络结构提高了网络的计算速度。卷积神经网络由多个网络层串联构成,其网络自动提取的图像特征随着网络深度的增加而抽象化,抽象的深度特征信息提高了卷积神经网络对图像几何变形的不变性。采用改进的LetNet-5为模型对手写数字进行分类识别的仿真研究,得到了较高的分类识别精度。采用显微图像与形貌测量系统获取了不同粗糙度样块表面的显微图像与三维形貌数据,并对二维图像数据进行预处理,得到了各表面的二维灰度图。根据各表面形貌数据得到各表面的轮廓曲线,分析其表面曲线的周期性确定了样本图像的大小。建立卷积神经网络样本数据库,并对样本数据库进行了噪声样本和旋转样本的扩充。建立了卷积神经网络模型,分析了实验环境与网络性能评价标准。利用单因素实验法得到了网络模型在车削样本数据库上的网络性能随网络参数(网络深度、滤波器大小、滤波器个数、训练批量和稀疏率)的变化规律。依据网络参数对网络性能的影响规律得到最优参数模型,利用最优的网络模型对各样本数据库进行二维粗糙度等级分类识别,得到各样本数据库的二维粗糙度分类精度。建立了卷积回归网络模型,构建了以二维粗糙度参数Ra值为网络输出参考值的样本数据库,利用卷积回归网络在各样本数据库上进行训练测试,得到各样块表面二维粗糙度的识别结果,实验表明,卷积回归网络能够有效并准确的完成样块表面二维粗糙度参数的识别。构建以三维粗糙度参数Sq,Sa为网络输出参考值的样本数据库。利用已构建的卷积回归网络在各样本数据库上进行训练测试,得到了各样块表面图像对应的三维粗糙度参数识别结果。实验结果表明,卷积回归网络能够有效并准确的完成样块表面重三维粗糙度参数的识别。