随着科学技术的发展,人们对产品外形美观性和个性化需求日益提高,曲面零件在飞机、汽车、家电等产品中得到越来越多的应用。同时,对零件的几何精度测量提出了高精度、高效率的要求。曲面类零件因其形状不规则使得传统测量工具难以对其加工误差进行精确检测。利用在线检测系统从曲面零件表面采集测量数据,将零件表面形状数字化,再利用曲面匹配算法将测量数据与理论模型进行匹配,最后,基于匹配结果实现对零件加工误差的评定。在对曲面零件进行检测的过程中,在线检测系统只是基本的坐标采集设备。误差评定的结果依赖于合适的测点数量和较好的测点分布。本文主要完成了曲面匹配算法对曲面在线检测不确定度影响的研究,阐述了测量数据与理论模型之间的最佳匹配问题,利用统计学的Bootstrap方法,建立了曲面匹配算法不确定度评定的数学模型,采用实验的方法研究了测点数量和分布对在线检测不确定度的影响。首先,研究了测量数据与理论模型之间的最佳匹配问题。建立了曲面匹配的数学模型,并阐述了曲面匹配算法在实现过程中的四个关键性问题,引入了基于迭代最近点的曲面匹配算法。通过计算机模拟,利用预先给定坐标变换矩阵的方法,验证了所提出曲面匹配算法的有效性。其次,研究了曲面匹配算法不确定的评定问题。引入测量不确定度,对曲面匹配算法的不确定度进行了分析,引入基于统计学的Bootstrap方法,将Bootstrap方法和曲面匹配算法结合,提出曲面匹配算法不确定度的评定方法。当Bootstrap重抽样次数较多时,虽然得到的结果准确性较高,但是却需要很大计算消耗。为了追求计算准确性和计算消耗之间的平衡,通过实验分析,得到的结论是：当Bootstrap重抽样次数取1000次时,即能保证结果的准确性,也具有较少的计算消耗。最后,利用实验的方法,研究了曲面匹配算法对在线检测不确定度的影响。基于在线检测系统平台,对汽车轮毂模具的曲面进行检测,并利用提出的不确定度评定方法,研究了曲面匹配算法对在线检测不确定度的影响。