随着科学技术的不断发展,现代机械加工对零件表面质量提出了更高的要求。零件表面粗糙度作为描述零件表面质量的重要参数之一,直接影响零件的使用性能以及零件间的配合性能,其检测方法和检测精度至关重要。目前现有的粗糙度检测方法主要包括目测比较法、接触式检测法以及非接触式检测法。其中目测比较法操作简单,但精度较低。接触式检测法的检测仪器昂贵,需要时刻注意检测的方向,受人为主观影响较大,且对检测人员的技术要求较高。近年来,基于图像处理的检测技术的迅速发展,为表面质量研究提供了良好的技术条件。为了精确、高效的检测零件表面粗糙度,本论文搭建了零件表面图像自动采集系统,并提取有效表征零件表面粗糙度的图像纹理特征,建立了基于图像技术的零件表面粗糙度检测模型及检测系统。本论文主要研究内容有:（1）通过单片机、步进电机、驱动器、数字显微镜、上位机搭建了连续自动多区域的零件表面图像采集系统,并划分合适的零件采集区域,设定图像采样间隔时间,避免了手动单点随机采样导致的图像信息不全的问题;分析了零件表面图像采集时的稳定性和同一零件表面多区域图像的一致性,并在不同的图像采集光照强度、分辨率下进行多次实验,设定了合适的采集参数。（2）为了突出零件表面图像细节反差和纹理变化,便于后续图像纹理特征的提取,首先对较低或较高光照下采集的图像进行光照自适应校正,并对比不同灰度化方法下的图像像素分布,提出了一种基于像素分量作比相加的灰度化改进方法,使得图像细节反差和纹理变化更明显;然后对图像进行高斯滤波处理,以便减少图像采集、传输过程中受到的噪声干扰;最后对比分析了不同纹理特征提取方法对于粗糙度表征的有效性。实验结果表明,基于灰度共生矩阵提取的零件表面纹理特征可以较好地区分不同粗糙度等级的零件。（3）基于零件表面纹理特征,建立了基于改进灰狼（Improved Grey Wolf Optimizer,IGWO）算法优化支持向量机（Support Vector Machine,SVM）的零件表面粗糙度检测模型。在传统灰狼算法的基础上,通过引入非线性余弦变化更新GWO中的线性收敛因子以及增加灰狼个体位置更新时的权重,提高GWO-SVM模型的全局搜索能力,并对不同粗糙度等级的零件进行检测,结果表明,IGWO-SVM粗糙度检测模型可有效改善SVM粗糙度检测模型对于较小粗糙度零件检测精度较低的问题。（4）采用C#语言自主研发设计了基于图像技术的零件表面粗糙度检测系统的人机界面,能够实时显示零件表面图像采集、图像预处理、图像纹理特征提取、零件表面粗糙度检测的过程参数并进行图像存储,实现了零件表面粗糙度的实时检测。