微电子产品总体尺寸小型化趋势,对其零部件的尺寸要求也越来越小,在生产和组装这些零部件过程中,对集成电路、超高精度的加工、精密测量仪器等众多领域对加工精度的要求不断提高,与之相应的微电子制造装备对精密测量精度的要求也随着提高。因此,对微电子制造装备的位移测量系统,提出了更高速度和高精度的要求。本文提出了一种基于神经网络模型的创新性光栅尺图像测量系统。该系统可以有效地克服传统光栅测量的光栅制造精度的限制(通常20um)并且通过神经网络模型算法极大的提高测量反馈的运算速度。获得在精密测量中以较低的分辨率,位移测量精度更高。首先,从光栅尺工业应用现状和光栅尺研究现状两方面,分析国内外光栅尺研究现状。光栅尺位移测量系统存在高速度与高精度相矛盾,以及纳米级的分辨率,最高精度仅能达到微米级,即分辨率与测量精度之间存在较大的误差。针对上述问题,本文基于神经网络理论,通过数字图像技术,来消除精密位移测量系统的制造误差和非线性系统的数学建模误差。其次,由于通过工业相机采集的数据集图片,易受环境噪音的干扰。所以通过光栅图像处理技术对此进行处理,并且按照神经网络模型对数据集的输入形式要求,制作数据集。在本文中,我们提出了一种新的图像处理判断光栅位置的方法并根据该方法建立了相应的算法。然后,我们应用神经网络的模型对基于物理知识的传统算法建模进行改进。由于神经网络模型输入数据是光栅尺图像特征窗口,输出是每一根光栅的唯一标记,所以根据精密位移测量系统的现实状况,按照神经网络理论,选择合适的神经网络模型和相应的算法。并且,根据光栅尺的光栅数和特征图像窗口以及数据集,选择神经网络的拓扑结构、节点数以及各参数。最后,通过Python开发环境和TensorFlow框架,搭建神经网络模型,识别每一根光栅。再通过位移测量程序,计算出运动平台的位移,并将其与干涉仪的位移数据进行比较。实验结果表明:神经网络模型对每根光栅的识别率超过99%。且位移测量精度达到±1um。通过实验的对比,我们发现这种崭新的图像测量系统不但提高了在相同的分辨率,大幅度提高了位移测量精度。而且还明显降低了光栅尺制造工艺精度要求,显著降低产品生产成本。