齿轮箱是机械设备中传递运动和动力的基本组成部分之一,它的工作情况关系着整个机械设备的运作。在齿轮箱的部件中,齿轮相对于轴、轴承、壳体等其他部分具有较高的故障概率。疲劳点蚀是齿轮最常见的失效形式之一,点蚀程度可以通过点蚀率进行评价。齿轮的点蚀部分图像和正常齿面存在较大差异,想要提高齿轮点蚀检测的效率和精度,使用机器视觉系统来进行点蚀的检测是一种十分有效的手段。为了定量检测齿轮点蚀等级,本文提出了一种基于深度卷积生成对抗网络（DCGAN）和多尺度注意力拼接U-Net网络的视觉测量方法,用于测量齿轮的点蚀率,从而实现齿轮的故障等级评估。首先,根据实际需求,本文设计了齿轮图像采集装置来进行齿轮点蚀图像的采集。图像采集装置主要包括光源部分、摄像机部分和齿轮夹具部分,其中相机采用电荷耦合器件（CCD）相机。对于齿轮疲劳实验中出现点蚀的齿轮,在实验室环境下,使用图像采集装置进行其齿面图像信息的采集。然后对采集的图像进行图像预处理,增强其齿面部分和点蚀部分的特征,减小因背景信息和拍摄角度等因素产生的误差。其次,由于齿轮疲劳实验的成本较高,实验得到的齿轮点蚀图像数量不足。为了解决点蚀图像的小样本问题,本文引入了深度卷积生成对抗网络（DCGAN）进行图像样本的扩增,然后在生成的图像中选取合适的样本构成新的样本集。对于点蚀齿面样本集,经过图像颜色空间域转换后,使用边缘检测算法来分割有效工作齿面。然后使用图像的形态学处理对分割边缘的细节处进行优化。在有效工作齿面的基础上,本文提出了一种多尺度注意力拼接U-Net网络来实现有效工作齿面中点蚀部分的识别和分割。最后,设计了综合评价指标来评估齿轮点蚀分割的效果。结合了深度卷积生成对抗网络和多尺度注意力拼接U-Net网络实现的点蚀部分的识别与分割,分割准确率介于82.48%到97.76%之间,平均误差率只有6.38%。分割结果表明,基于DCGAN和多尺度注意力拼接U-Net的齿轮点蚀测量方法具有令人满意的综合性能。