现代零部件正朝着精细化快速发展,其表面形貌的纹理结构也趋向于复杂。零部件表面形貌的结构和质量影响着使用寿命及其使用性能,因此获取表面形貌进行评定和研究对于微观表面纹理研究和工艺改进等方面有着重要意义。选用合适的三维参数对表面形貌进行评定研究是一种常用方法,但是具体的选定原则还没有统一的国际标准,并且获取表面形貌数据的物力和时间成本都较高。因此本文选择钛材作为研究对象,选用机器学习中的随机森林和极端梯度提升树算法（XGBoost）进行三维参数的分类和筛选研究,从而对表面形貌进行科学评定;选用深度学习中的SRCNN网络以及SRGAN网络进行表面形貌图像的超分辨率重建研究,从而减少仪器测量成本。本文主要内容包括:（1）通过使用车削、铣削、球头超声滚压、磨削以及抛光五种工艺方式对钛材表面进行加工,获得表面样品。使用共聚焦三维形貌测量仪扫描样品获得表面形貌数据,基于Matlab软件对数据进行校平、滤波等处理。根据ISO25178系列标准,选择高度类参数中的Sa、Sq、Ss k、Sk u、Sv、Sp和Sz;间距类参数中的Sa l和Str;混合类参数中的Sd q和Sdr。计算上述三维参数并整理作为数据集,利用随机森林算法和XGBoost算法进行分类研究并根据重要性大小筛选参数集。研究结果表明:随机森林算法和XGBoost算法都有良好的分类性能,其中XGBoost算法的计算速度较快,F1分数的得分较高,过拟合程度很小,并且在实际应用中,可以更灵活地构建模型。三维参数重要性排序结果显示,两个算法计算出的Sa、Sq和Ssk都有最高的特征重要性,在这三个参数组成特征空间中,实验数据都能有良好的区分度。（2）通过数据增强的方法,获得更多同分布表面形貌数据用作训练数据集。除了钛材表面形貌数据之外,生成仿真分形表面形貌数据进行对比研究。将数据集用于SRCNN网络以及SRGAN网络进行图像超分辨率重建。研究结果表明:SRCNN将表面形貌图像和仿真分形图像放大二倍,都能够获得良好的重建效果,其中PSNR值可以达到30左右,SSIM值可以达到0.7左右,视觉效果良好,由于真实表面的纹理细节和噪声信息更加复杂,因此真实图像与重建图像的三维参数误差率在1%以下,仿真分形表面则在0.2%以内;SRGAN将表面形貌图像放大四倍依然能保持优秀的重建效果,其中PSNR值可以达到30以上并且SSIM值能够达到0.8以上,重建图像能呈现较为清晰的纹理细节,而原图像与重建图像之间的三维参数误差在0.7%以内,仿真分形表面则在0.1%以内。