自组织量子点因其独特的电学和光学性质受到了众多研究者的关注。然而量子点的表面形貌分析过程却需要人为的参与,为使其分析过程更加自动化,将机器视觉的方法应用到该过程中。首先通过机器视觉中的图像拼接技术研究了量子形貌图像的拼接方法,对使用扫描隧道显微镜或原子力显微镜表征量子点表面结构形貌时,无法做到保留细微纹理的同时获得大视角场景的问题进行了研究。然后,通过机器视觉的方法计算了衬底的斜切角和量子点的数量、密度、尺寸和均匀性等对量子点器件的性能有着重要影响的参数,使得量子点表面形貌分析更加自动化。主要内容如下:(1)针对量子结构形貌图像拼接时,存在Harris算法需要手动设置阈值和量子图像相似度大的问题,提出了基于改进的Harris和二次归一化互相关(NCC)的量子图像拼接算法。在阈值设置方面,由于图像局部相似度大,因此首先将图像分割为3×3的子图;然后基于二值化和阈值下降计算一个子图的量子点、环的数量。最后通过数量确定该子图阈值,同时也是整体阈值,以得到合适的角点数量。在图像相似度大方面,首先选取较小的窗口进行NCC的角点匹配,然后选取较大的窗口在前一次的基础上进行第二次NCC计算,以降低误匹配率。实验结果表明:在量子点、环数量的计算方面,改进的算法在速度和精度上均拥有较好的效果;在阈值设置方面,相较于传统算法,改进的算法检测得到的角点数量更为合理;在图像相似度大方面,改进的算法拥有较快的匹配速度和较低的误匹配率,误匹配率为4.82%～27.27%。因此,该算法有效地改善了量子图像拼接的可靠性和速度。(2)针对量子结构形貌图像拼接时,传统尺度不变特征变换(SIFT)算法存在特征点数量不合理和误匹配率高的问题,提出了基于动态阈值和全局信息的SIFT量子图像拼接算法。在特征点数量方面,基于量子点、环数量对特征点数量有着直接影响这一特性,利用量子点、环的密度动态地设置对比度的阈值,以保证特征点数量在合理的范围内。在误匹配率方面,通过构建同心圆分析域,生成全局信息的描述子,并与SIFT算法检测得到的局部信息描述子结合,以降低算法的误匹配率。实验结果表明:相较于传统算法,改进的算法检测得到的特征点数量更为合理。并且改进的算法将误匹配率降低到7.59%～28.83%。因此,改进的算法在量子图像拼接方面拥有更好的可靠性。(3)为减少量子点表面形貌分析过程中的人为参与,使量子点的形貌图像分析的过程更加自动化,基于机器视觉对衬底的斜切角和量子点的表面形貌特性进行研究。首先,使用图像腐蚀和边缘检测等方法提取台阶的形状,并使用反三角变换计算衬底的斜切角。然后,通过二值化和阈值下降对量子点的数量和密度进行统计,在此基础上,通过邻域密度计算分析量子点的均匀性,并在解决图像中的粘连问题后,统计量子点的尺寸;利用三维建模的方法计算量子点的晶面指数。实验结果表明:相较于人工统计,机器视觉的方法在衬底的斜切角、量子点数量、尺寸和晶面指数方面的平均计算误差分别为5.02%、0.7788%、1.12%和±0.249;实现了量子点均匀性的自动化统计与分析。因此,基于机器视觉的自动识别方法对协助研究者分析量子点表面形貌有潜在的应用价值。