机器视觉以其检测精度高、快速、高效与非接触等的特点，在精密制造与检测领域发挥着重要作用，是提升装备制造业水平的重要途径。基于机器视觉的实时检测系统为智能制造提供了技术上的支持，以及物质上的准备。根据我国装备制造业的内在需求，以及目前具备的研究基础、条件和优势，阐述了机器视觉与计算智能的研究背景与意义。论文从机器视觉的标定、微钻头的刃面检测、机器人手眼系统标定几个方面进行研究，为精密制造与检测水平的提高提供了理论与技术上的支撑，本文主要研究内容如下：1．对机器视觉系统的物理模型进行了分析与研究，采用嵌入旋转矩阵的神经网络以及遗传算法对非线性模型的摄像机进行标定；当神经网络达到全局最优平衡位置时，使网络的前向计算与摄像机的物理模型相对应，即可根据神经网络的权值直接得到摄像机的内、外参数。2．采用基于侧向抑制的正交学习的神经网络算法，以抽取自相关矩阵的最小特征值所对应的特征向量的方法，来获得机器视觉系统的空间3D信息与图像2D信息之间的变换关系，完成双目视觉系统的标定，以及与之相关的三维重建。3．构建一个用于微钻头检测的神经网络，使其达到全局最优平衡位置的时候与需要拟合的微钻头棱边投影的椭圆方程或者主切削刃的直线方程等相一致。对神经网络的每一次训练所得到的权值进行归一化处理，得到单位权值矢量，该操作相当于遗传算法中变异操作。并引入改进的粒子群算法，以获得全局最优解。4．通过引入进化速度因子与聚集度因子两个指标，对粒子群优化算法的粒子个体的运动轨迹从纵向以及横向进行分析，根据粒子群优化算法中的惯性因子的特性，以及专家经验与推理，得到系统的惯性权重因子变化量的动态调整的模糊控制规则表；并采用模糊逻辑对其进行自适应地调整，使得优化算法更准确与更快速地找到全局最优解。在粒子群算法的每一次迭代完成之后，同样对粒子个体的位置进行归一化处理，获得权值的单位矢量。最后得到微钻头特征曲线的拟合方程。5．在对机器人的手眼系统进行标定时，采用混合神经网络与交叉变异粒子群优化算法，使得所设计的神经网络包括手眼系统旋转部分的信息，当求解系统达到全局最优平衡位置时，由神经网络的权值获得机械臂末端执行器相对于安装于机器人机械臂的摄像机之间的位姿关系。精度分析显示，所提出的方法能够确保手眼关系中的旋转矩阵各矢量之间的正交关系。在上述关键技术研究的基础上，完成了基于计算智能的机器视觉系统的标定，研发了PCB板微钻头的自动化检测系统，实现对机器人的手眼系统的定标，得到摄像机与机器人末端执行器之间的变换关系，最后通过标定、测试等实验，验证上述研究结果的正确性和可行性。这些研究有利于提高精密制造与检测技术的水平，也为推进我国机器视觉研究的发展及其应用提供一个新的维度。