在机械制造领域,焊接作为应用最广泛的加工技术之一,起着促进生产、推动工业进程的重要作用。焊接过程易受外部环境、焊接参数以及加工精度等影响,常出现一系列焊缝表面缺陷,直接影响着焊件质量。焊缝表面质量监测能有效提高生产效率、保证焊件质量。激光视觉作为一种高精度、结构简单的检测方式,已成为智能制造检测领域的研究热点。本文将激光视觉技术应用到焊缝表面成形质量检测中来,以激光视觉传感器获取的焊缝激光条纹图像为信息源,开展焊缝表面几何成形尺寸测量和表面缺陷智能检测方法的相关研究。为了得到表征焊缝表面轮廓的原始激光条纹图像,论文借助激光视觉传感器搭建了一套焊缝表面成形视觉检测装置,对焊缝视觉检测装置的组成与结构进行了详细的论述,并建立了图像坐标与世界坐标之间的转换模型,获得焊缝特征点图像坐标与其世界三维坐标之间的转换关系式。以对接焊缝和角焊缝为研究对象,根据焊缝激光条纹图像成像特点,首先通过组合中值滤波、基于阈值的特征增强、断线补偿、噪点剔除等操作来优化图像预处理流程,减少噪声及其他无效信息对后续焊缝特征提取的干扰。同时提出小波多尺度模极大值边缘检测与加权灰度重心法相结合的中心线提取算法,提高中心线提取算法的普适性和精度。根据不同焊缝类型的条纹图像特征,采用随机抽样一致性算法拟合母材轮廓,并设置角度阈值识别焊缝类型。针对对接焊缝,提出拟合法与角点递归法相结合的提取算法,经多次多区域检测,实现对接焊缝特征角点的准确提取;对于角焊缝,根据激光曲线的斜率分布来判断焊缝左右特征点的位置,在左右区间内搜索余高特征点,即完成角焊缝特征点定位。最后通过扫描采集统计焊缝整体成形尺寸并实现了焊缝成形轮廓三维重建。为了对焊缝表面常见缺陷进行识别与分类,分别应用机器学习算法、深度学习算法研究焊缝缺陷激光视觉智能检测方法。基于机器学习的焊缝表面缺陷检测方法采用方向梯度直方图（Histogram of Oriented Gradient,HOG）提取焊缝激光条纹图像的缺陷特征,并通过5折-交叉验证网格搜索方法进行SVM模型参数寻优,最终建立了基于HOG-SVM算法的焊缝表面缺陷识别与分类模型,整体识别率达97.86%。基于深度学习的焊缝表面缺陷检测方法以迁移学习为技术手段,迁移Alexnet、Googlenet两种网络模型,搭配Adam、SGD两种优化算法,经超参数优化后进行组合试验,发现Alexnet网络模型搭配SGD优化算法性能最佳,对焊缝缺陷（气孔、凹陷、咬边、无缺陷）有良好的分类识别效果,准确率高达99.07%。