活塞-缸套组件作为内燃机最主要的摩擦副之一,其摩擦学性能直接影响整机的使用寿命和工作性能。缸套作为活塞工作的承载面而长期处在高温、高压和高载荷的工作条件下,其表面质量影响活塞-缸套间的磨损、润滑以及密封效果,进而影响整机的性能。论文针对内燃机向着高性能方向发展时对珩磨缸套提出的高工作精度、高服役可靠性与长使用寿命的要求,围绕珩磨缸套表面质量控制,对珩磨缸套表面图像处理、纹理特征提取以及3D粗糙度检测方法进行了研究。主要研究内容与工作如下:（1）基于直方图均衡化和Ostu自适应图像分割方法对缸套表面图像进行预处理以提升图像对比度,运用快速傅里叶变换（Fast Fourier Transform,FFT）对空间域图像进行转化,研究了缸套表面2D粗糙度与FFT黑白像素比PWB之间的相关性。结果表明:PWB与2D粗糙度Rk集均具有相近变化趋势,PWB与Rvk变化趋势更为接近,其次为Rk与Rpk。对PWB与2D粗糙度进行相关性分析,Rvk相关性最强（0.948）,其次为Rk（0.44）和Rpk（0.397）。（2）基于灰度共生矩阵（Gray Level Co-occurrence Matrix,GLCM）提取图像表面纹理特征,研究图像灰度级G、采样间距d以及采样方向θ对构建GLCM的影响,并基于相关性原则对GLCM的14个纹理特征参数进行筛选以评价缸套表面形貌和3D粗糙度。结果表明:当灰度级G=64,采样间距d=2以及采样方向θ为四个方向的均值时更适合建立珩磨缸套表面图像的GLCM,筛选得到了具有代表性且相互独立的纹理特征参数:能量、对比度、相关性、逆差矩以及熵。（3）基于缸套表面图像的纹理特征参数,分别采用多元线性与多元非线性回归构建纹理特征参数（能量、对比度、相关性、逆差矩和熵）与3D粗糙度Sk参数集（Sk、Spk和Svk）间的回归模型,获得了 3D粗糙度多元回归检测模型。结果表明:线性回归检测模型可决系数均值为0.788,均方误差MSE均值为0.38;非线性回归检测模型可决系数均值为0.834,均方误差MSE均值为0.21,两种检测模型的可决系数均接近于1,说明模型对粗糙度检测结果的可信度较高。与线性回归模型相比,非线性回归模型的平均误差更低为16%,因此针对表面3D粗糙度检测模型,多元非线性回归模型具有更高的检测精度。（4）基于反向传播神经网络（Back Propagation Neural Network,BPNN）、径向基神经网络（Radial Basis Function Neural Network,RBF）以及广义回归神经网络（Generalized Regression Neural Network,GRNN）对缸套表面3D粗糙度构建检测模型,分别运用4-折交叉验证算法（4-Fold Cross Validation）以及果蝇优化算法（Fruit Fly Optimization Algorithm,FOA）与GRNN相结合,对GRNN构建网络的重要参数光滑因子σ进行寻优,对比验证不同3D粗糙度检测模型精度。结果表明:通过对比不同3D粗糙度检测模型,PO-GRNN（Parameter Optimization GRNN）具有更高检测精度,珩磨缸套表面3D粗糙度Sk检测结果与实测的平均误差为7.7%;Spk检测结果与实测的平均误差为7.3%;Svk检测结果与实测的平均误差为8.9%。