物流分拣行业中包裹的自动化测量与分类是企业缩短货物堆积时间、节省仓储成本和加快运送速度的重要手段,对提高物流企业的转运效率有重要意义。而传统接触式测量结果不稳定,易受工人熟练程度影响,因此企业亟需一种非接触式测量方案来提高包裹测量的稳定性和效率。本文以双目立体视觉技术为基础,搭建了一套物流分拣测量系统,并针对该系统中的相机标定、特征提取及立体匹配环节展开了深入研究。主要研究内容如下:（1）在分析传统标定方法存在不足的基础上,提出了一种基于阻滞增长神经网络标定方法。首先,通过模拟自然界物种种群大小增长规律,引入阻滞增长机制,并通过函数优化算例对比遗传算法和粒子群算法,验证了该机制在处理此类问题时收敛速度更快的特性。其次,将阻滞增长模拟机制应用于BP神经网络权重和阈值初始化阶段,避免了参数设置的随机性造成网络训练结果不稳定的现象。然后,在设计棋盘格标定对比实验时,引入高斯金字塔图像模型,提高了Harris角点检测算法的检测成功率。最后,对比实验表明所提标定方法的标定精度更高。（2）在对图像进行边缘特征检测时,提出一种基于改进Otsu及自适应阈值的边缘检测方法。所提出改进方法以Canny算子为基础,在检测速度方面,以两个一维梯度计算模板代替传统的二维Sobel梯度算子,降低了梯度计算时的时间复杂度。在检测精度方面,考虑到人为选择阈值会影响边缘特征提取的效果,引入Otsu方法,进行自适应阈值选取。（3）在图像立体匹配计算方面,设计了一种面向极线约束条件的AD-Census代价匹配方法。首先,对待匹配的图像对进行Bouguet算法校正,使校正后图像的对应点位于同一水平线上,缩小了匹配算法的搜索范围。其次,综合AD代价与Census代价的优点,提出一种自适应权重的AD-Census代价计算方法。最后,通过实验验证了所提匹配方法的有效性。（4）通过模拟物流行业中包装纸箱的实际测量工况,设计了一套双目立体视觉测量实验平台,并设计相机、传感器和光源控制电路,以减少光照、运动等因素对测量精度的影响。最后,测量实例表明,本实验平台的测量平均误差为2.83mm,平均测量速度为525ms,满足了行业的测量需求。