自动聚焦系统目前在工业测量、显微领域、航空航天都有广泛的应用。常见的自动聚焦系统分为主动式和被动式,本文主要研究被动式的自动聚焦系统。被动式自动聚焦系统的性能由自动聚焦算法决定.自动聚焦算法目前存在着一些缺点,如评价函数抗噪性差、窗口构建不合理、焦点搜索算法不能找到准确的焦点等,造成自动聚焦算法整体的精确度不高,实时性不好。机器学习技术作为一种多学科交叉的方法,在解决分类、回归等问题有着不错的精度。本文主要研究自动聚焦算法中的清晰度评价函数和焦点搜索算法,将机器学习技术与焦点搜索算法进行结合,提出了一种基于决策树的焦点搜索算法。利用学习出的决策树表示步长选择的过程,在焦点搜索过程中能有效减少搜索次数,提高算法的实时性。本文的主要工作如下:(1)选择多种清晰度评价函数,根据提出的定性和定量指标,基于采集的几组图像序列,进行了对比实验,选择出了综合性能最优的清晰度评价函数。(2)采集大量图像序列进行特征构建与标签标记,利用特征方差值进行特征选择后生成了最终的训练数据,并利用其学习出了步长选择算法。(3)将提出的基于决策树的焦点搜索算法与传统的Fibonacci算法和全局搜索算法在5组测试样本上进行对比实验,结果表明平均搜索次数减少了54.8%,并能够搜索到大部分峰值,证明了提出算法的实时性和准确性都有着不错的表现。