原子力显微镜是微纳米测量领域中应用非常频繁的一种仪器,其主要功能是测量所研究样品的形貌及力学等特性。目前,随着对测量效率、精度的要求愈发强烈,一种新的高效率、高精度智能采样策略研究趋势正在兴起。机器学习是一门人工智能的科学,它通过学习已经存在的数据或经验,来预测未知的行为。而其中高斯过程是一种强大的模型,可以对数据进行非参数化建模及预测,在机器学习中有非常重要的地位,优点主要是可拟合黑箱函数及给出预测不确定度。本文在保证表面测量精度前提下,从提高测量效率角度出发,基于高斯过程进行了智能自适应采样及轮廓自动追踪研究,以用于提高原子力显微镜等纳米测量仪器表面形貌结构测量效率。其工作主要有以下两个方面:1、扫描路径优化结合自适应采样策略。在该部分工作中,我们使用两种扫描路径,即:阿基米德螺旋线与希尔伯特曲线,并结合自适应基于高斯过程迭代算法来减少采样点以提高测量效率。通过沿着扫描路径去智能化选择采样点,然后基于高斯过程重建样品形貌,可以大大减少采样点数。保证精度前提下,在路径上均匀采样重建可将采样点数降至栅格采样点的12%左右。在路径上智能选择采样点重建后,点数可降至4%左右。可见,扫描时间会显著减少,效率获得了极大提升。与此同时,探针与样品的接触总时间也会减少,探针磨损会降低,从而可提高探针寿命。2、曲线追踪测量。当测量对象是线形的对象时,如纳米线、DNA、边界线等,基底上会有大量的无特征区域不需要测量。栅格扫描会测量整个基底,显然会造成大量的数据冗余。为了减少这种不必要的浪费,一种基于高斯过程的曲线自动追踪测量策略被用于此。该策略以追踪感兴趣轮廓为主,没有样品特征的基底不被测量。仿真及实验验证表明它能减少一个数量级的扫描路径长度。显然能降低采样点数、提高测量效率。这种方法在原子力显微镜上有非常大的应用潜力。