现在我国的工业自动化程度正在逐渐提高,而很多制造企业中依然存在大量的非自动化设备,这些设备是影响企业的整体生产效率的关键因素。机器视觉技术主要用于提高生产的灵活性和自动化程度,但是在这些传统的机床设备中机器视觉系统的布置和使用存在很多限制。本文从模具孔位自动检测算法和模具加工设备的自动化功能模块的设计两个方面展开研究工作,以模具智能加工为目的为传统设备的自动化改造提供了一个研究方向。本文首先对机器视觉技术在工业生产中的应用现状进行了深入调研,了解了现在常用的一些模具生产过程中的相关目标检测算法,然后使用针对特定二维形状进行检测的霍夫变换算法对模具孔位的检测进行了试验。试验分析表明该类算法在缺少严格场景光源的情况下无法有效的完成模具孔位检测任务,所以本文提出了使用基于深度卷积神经网络的目标检测算法对模具孔位进行检测。由于深度学习模型需要使用大量的数据进行模型训练,本文通过手工标注的方式制作了模具孔位的数据集。数据集制作过程中运用了数据增强的技术提高了图像数据的数量和质量。本文基于中心点网络原始模型完成了模型搭建、模型训练以及模型实际检测相关的工程代码,然后针对原始模型复杂度较高、资源占用量过大的问题对模型进行了改良设计,优化后的模具孔位检测模型参数量仅为原模型的3.2%。针对优化后的模型在训练中出现检测性能下降的问题,本文引入知识蒸馏的训练思想,使用原始模型对优化后的模型进行指导训练,使优化后的模型性能得到了提升。机器视觉系统由算法软件与系统硬件两部分组成,本论文设计的模具检测算法无法直接部署到传统设备,需要增加一些必要的辅助功能模块。本文为实现模具智能加工,设计了三个主要的功能模块,包括机器视觉模块、装夹模块、定位校准模块用于配合检测算法实现模具产品加工生产的自动化。