随着现代工业生产技术的发展，零件的小型化和高精度的尺寸公差要求，使得零件的尺寸公差可与表面粗糙度高度相比拟。这样，不再能把粗糙度的技术要求从公差中分离出去，因此对表面粗糙度的测量提出了越来越高的要求。在工业生产的许多领域中，为了节省能源和材料、避免或者减少零件在加工过程中的废品率、监测加工过程、对关键零件进行百分之百检查、提高产品质量等，都大大增加了对零件表面形貌的无损检测和高速测量的要求。 本文在对基于各种原理的表面粗糙度测量方法进行综述的基础上，结合散斑测量方法的优点和机械加工表面的光学散射特性，以及在线测量的要求，提出了基于动态散斑的表面粗糙度在线测量方法。以随机表面的标量衍射理论为基础，研究被测物体在平移运动和旋转运动时，菲涅尔衍射面上形成动态散斑的统计特性，建立该方法的理论基础；详细分析动态散斑统计特性和表面粗糙度之间的关系，结合图像处理技术，提取出能表征表面形貌的特征，并利用神经网络技术设计了表面分类器；建立一套模拟加工条件下表面在线测量的实验系统。 论文主要研究内容如下：把机械加工形成的表面看作是随机表面，根据随机表面的标量衍射理论及粗糙面的散射特性，深入研究了散斑成因及散斑现象的描述方法；分析了衍射面上形成散斑场的统计特性；给出了不同加工方法形成的试样的散斑图像。 分析了激光照射运动的弱散射体时，反射光经过自由空间传播在菲涅尔衍射场形成动态散斑的统计特性。研究平面物体分别做横向和纵向运动、圆柱体旋转运动时，形成的动态散斑的统计特性；以动态散斑光强变化的时间-空间相关函数描述散斑空间结构随时间变化的统计性质。并以此为基础，给出几种特定情况下描述动态散斑时间-空间相关性质的参数——动态散斑空间相关长度，动态散斑的相关时间，动态散斑的平移距离和相关距离。并依据参数分析了动态散斑统计特性与圆柱体曲率半径、入射光束相关的参数、表面微观形貌、物体旋转角速度、光学系统几何结构参数等之间的关系。 根据动态散斑的统计特性，应用图像处理技术，从动态散斑图像中提取出能表征表面形貌的6个特征，包括斑纹分布范围、光强平均值、二值特征、散斑颗粒大小、灰度特征、互相关特征；并根据特征方差、特征相关系数及类间距对特征的有效性进行了评价；同时，分析了在实际测量过程中，入射角、切削液、震动、曲率半径、加工方法等对散斑图像和特征值的影响。 依据动态散斑图像的特征参数对形成图像的表面进行分类。鉴于神经网络用于图像识别的优点，确定了采用基于Levenberg-Marquardt算法的数值优化方法改进的BP网络设计了分类器。网络的输入特征由提取的特征参数组成，输出层是类别数，一个输出节点对应一个类，采用最靠近原则进行决策。 建立了一套完整的、能模拟实际生产过程中被测物体运动的表面粗糙度在线测量系统。硬件部分由激光器、CCD、采集卡、镜头、驱动器、运动平台、计算机等组成；测量软件利用VisualC++和Matlab工具设计完成。以四类具有不同粗糙度值的平磨加工试样16块和三类不同粗糙值外圆磨加工试样6块为例，应用该系统在多个运动速度下进行分类识别，识别正确率较高。该实验系统具有结构简单、面采样、测量速度快、测量范围大，低环境敏感、方便易用等优点，可以用于批量生产过程中加工零件质量控制。