表面结构的磨损、支承、润滑、润湿、抗反射和腐蚀等性能与表面形貌紧密相关。当前,在科学研究和工程应用的很多领域中,对表面形貌的定量测量显得尤为重要,人们对高效率、高精度的测量需求也日益强烈。然而,每种表面测量仪器都有各自的优缺点,没有一种仪器能满足所有的测量需求。像扫描探针显微镜(SPM)、三坐标测量仪(CMM)这类仪器具有较高的测量精度,然而这种逐点式扫描的测量效率较低,且SPM测量范围较小。光学显微镜(OM)具有高测量效率、测得数据密度大、非破坏性等优点,但光与表面结构间复杂的相互作用也会带来较大的测量误差。因此,为了满足高效率、高精度的测量需求,本文基于高斯过程的机器学习算法,分别从算法提出、仿真和实验上进行了以下几个方面的研究工作:1、基于高斯过程算法,研究了在扩大范围、棋盘式、Hilbert曲线及阿基米德螺旋线这四种特定路径下的表面重构。针对随机粗糙、自由曲面和结构化表面,分别从仿真和实验上得出:在不损失测量精度的前提下,这种特定轨迹扫描具有减少测量点、提升测量效率的优点。2、为了减少采样密度且不损失表面测量精度,本文提出了基于高斯过程的自适应采样算法,且验证了算法的有效性和鲁棒性。在每次迭代中,将当前的采样点作为训练数据来预测表面形貌,然后在预测出的最大不确定度处添加一个新的采样数据点,进而将更新后的采样点作为下一次迭代的训练数据。通过这种训练、预测、采样的迭代算法,重构出的表面形貌可以有效地收敛到真实表面形貌。在随机粗糙、自由曲面及结构化表面上的仿真实验上验证了该采样算法的有效性。该算法不仅可以精确地重构出表面形貌,也能大幅度地减少测量数据点。此外,本文验证了算法在表面的随机特征、测量噪声和表面结构突变情况下的鲁棒性。该算法尤其适用于逐点式测量。3、研究了基于高斯过程的数据融合算法在表面测量上的有效性。在复合式仪器测量中,主要存在两种不同特点的数据集:高精度低密度(HALD)与低精度高密度(LAHD)。在测量结构化表面时,为了提高表面测量精度和效率,本文将基于高斯过程的数据融合算法应用在这两种数据集上,对各种结构化表面的仿真及实验结果验证了该融合算法的有效性。此外,本文系统分析了测量偏差、噪声及采样间隔对融合结果的影响。融合的表面形貌精度高于LAHD数据集、数据密度高于HALD数据集。同时,该融合算法提高了测量效率,提升了复合式仪器测量的优点。