表面检测在工业检测领域具有重要地位,现代智能制造对表面压陷量检测提出了自动化、智能化检测的要求。其中自动化检测就是通过模仿人眼进行检测。目前自动化检测系统基本都是通过面阵CCD相机成像进行检测,存在了一定局限性,如光照强度、被测物体的几何形状、形状都会对物体表面的压陷量检测带来很大的影响。针对这个问题,本文提出使用激光位移传感器扫描钢轨轴套表面的深度信息,生成深度图像,通过当前深度图像进行识别分类,将分类正确的深度图像与同类模板图像配准,实现对轴套表面压陷量的合格性判断。本文首先设计了基于深度图像的识别与配准的总体方案,实现了深度图像的采集与处理:其中包括深度信息与灰度信息的转换处理;中值滤波、二值化、腐蚀与膨胀等图形学处理;最小二乘法拟合等误差补偿处理。接着对不同的识别算法进行研究与对比,最终选取了神经网络识别算法进行实验。本文在基本的多层感知机网络的基础上添加了一个双层卷积神经网络来提高识别的准确率,采用20000张样本进行训练,其识别准确率高达99.17%。最后对不同的配准算法进行分析与对比,最终采取了初始配准和精确配准相结合的方式进行基于深度图像的配准工作。其中,初始配准包括:去除无效点、滤波去噪、计算特征值等点云预处理工作和RANSAC初始配准算法;精确配准中采用了kd-tree的搜索策略与ICP算法相结合。改进算法在保证匹配精度的前提下算法运行速度提高了30%以上。本文提出的方法,把高精度的一维轮廓扫描信息,转化为深度图像,利用图像识别方法识别目标,对目标的深度信息采用模板比较判断是否合格。本文方法既能高精度检测深度信息,又无需知道扫描激线条与被测物体之间相对位置关系,实验结果证明了本方法的有效性。