在工厂生产中,为了保证生产的零件质量,会对零件进行大批量的测试检验,主要针对零件进行尺寸测量以及对零件表面上的螺钉、销、针等零部组件进行位置定位。传统的测量技术方案主要使用卡尺、量规等工具,同时需要人工观察与判断,测量效率低,并容易受人工疲劳与判别误差影响导致测量准确度低。随着计算机视觉技术的发展,基于计算机视觉的零件测量技术与传统的测量方法相比具有明显的优势,通过拍摄零件图像对零件进行非接触式测量,能够避免对零件造成表面划痕、零件变形等问题,具有持久稳定测量的优点,因此非接触式测量方法逐渐发展成为零件测量的研究重点。本文针对某型零件表面插针凹槽定位问题,研究一种非接触式测量方案,通过使用超分辨率重建技术,增大零件图像的分辨率,提高零件测量图像的分辨率,减少了测量误差。研究了超分辨率中SRCNN(Convolutional Network for Image Super-Resolution)、VDSR(Very Deep Convolutional Networks for Image Super-Resolution)等网络模型,通过在参数量、运行时间上进行对比,选取VDSR模型作为合适于非接触式测量方案的模型。对VDSR模型进行优化,采用增加模型宽度的方案重新设计模型的结构,增加对原始低分辨率图像的处理层,新增层与原网络采用并行计算,优化后的模型能够提高重建图像的主观视觉效果及峰值信噪比。为了使方案具有更广泛的适用性,对非接触式测量方案进行扩展,由于零件尺寸不同,测量需求不同,无法使用统一规格的测量方案,因此需要对零件图像采集过程进行设计,能够适应于不同尺寸零件的局部采集与拼接,提高零件图像的分辨率。根据拼接速度,拼接效果等因素对SIFT(Scale-Invariant Feature Transform)、SURF(Speeded-Up Robust Features)等特征点检测器进行分析与对比,选取SURF特征点检测器,设计一种非接触式测量仪模型结构,并设计测量步骤。本文研究的测量方案可以作为零件非接触测量的一种方案,具有实现价值以及良好的工程应用前景。