为了实现对微小物体的高精度三维测量，本文构建了一套基于结构光照明的三维形貌测量系统，对该系统所使用的相位编码算法、远心相机标定算法和投影仪标定算法进行了研究。首先，通过边缘提取算法获得二维平面标靶的特征点坐标，使用改进的张氏标定算法完成远心相机标定，通过相位编码结构光得到相机像素与投影仪像素之间的映射关系。然后，由映射关系使投影仪也能捕获特征点的位置信息，进而完成投影仪标定。最后，基于立体视觉模型对被测物体进行三维重建。实验结果表明，标定后的测量系统视场大于2 000 mm²，全视场的测量精度约为32 μm，中心视场的测量精度为10 μm。该系统具有良好的稳定性和重复性，能够满足大多数工业检测的应用需求，展示出广阔的应用前景。

小尺寸零件的表面积小、结构复杂，传统标志点拼接方法需要在零件表面人工粘贴标志点，导致表面的测量数据缺失出现孔洞。基于特征的点云拼接方法要求零件表面具有易区分的几何或距离特征，不适用于包含重复性特征的回转体零件。本文提出一种基于机械拼接的无标志点扫描测量方法，不需要粘贴标志点，不依赖于零件表面特征。首先，采用基于摄影测量的相机标定方法得到相机的高精度内外参数，重建标定板上靶点的高精度三维坐标，接着通过跟踪编码靶点的位置建立转台不同转角对应的旋转矩阵，进而解算出转轴方向向量和轴上定点坐标，实现转轴和相机的同步标定。在完成两个转轴位姿精确标定的基础上，利用转台转角构建旋转拼接矩阵，实现多视角点云粗配准。最后，基于法向迭代最近点算法(Normal Iterative Closest Point, NICP)完成点云的精配准。实验结果表明：使用靶点跟踪法标定后的两转轴夹角误差较传统的标准球拟合法低0.023°，标定后测量标准球的整体平均尺寸误差小于0.012 mm；在小尺寸零件自动化测量时，机械拼接方法在精配准后的点云拼接效果与标志点拼接方法相近，且拼接稳定性更高。机械拼接方法适用于无法粘贴标记点的小尺寸零件三维形貌测量场景。

无人机在大机动运动时视场变化较大，在弱纹理环境下视觉特征易丢失，这降低了视觉距离测量的精度。针对此问题，本文将折反射全景相机与结构光相结合，进一步提出了融合结构光的折反射全景单目视觉测距方法。在本研究中，为了提高测距方法的精度以及处理速度，首先对结构光进行感兴趣区域（ROI）提取，并运用中值滤波对激光条纹图像进行去噪后，再采用改进的Steger算法进行亚像素级别的结构光光条中心坐标提取。其次，运用最小二乘原理对提取的亚像素点进行曲线拟合，得到结构光的曲线方程。最后，通过理论推导求取空间平面参数，建立测距目标函数，进一步求得距离信息。实验结果表明：在不同场景下，所提出测距方法的测距精度均在3%以内，证明了该方法的有效性。满足无人机在大机动运动条件下以及弱纹理场景中稳定可靠的测距需求，进一步提升了无人机环境感知能力。

条纹结构光技术是近年来发展迅速的非接触式测量方法，为机械加工在机检测提供了新的解决方案。由于加工环境光线复杂且金属零件本身具有高反光的特性，造成结构光在机检测的精度降低。将高动态范围(High Dynamic Range，HDR)技术应用于结构光检测中，可抑制高反光的影响，实现金属零件在复杂场景的测量。本文首先介绍了结构光测量原理，总结出HDR结构光在机检测面临的难点；其次，对HDR结构光技术进行了全面综述，以机械加工在机检测为背景，对基于硬件设备的HDR技术和基于条纹算法的HDR技术分别进行了归纳分析；然后，根据在机检测的条件需求，对各类技术进行总结，并比较不同方法的优缺点和在机检测的适用性；最后，结合近年来先进制造技术和精密测量的研究热点，对潜在应用进行分析，提出技术展望。

相位提取与深度估计是结构光三维测量中的重点环节，目前传统方法在结构光相位提取与深度估计方面存在效率不高、结果不够鲁棒等问题。为了提高深度学习结构光的重建效果，本文提出了一种基于轻型自限制注意力（Light Self-Limited-Attention，LSLA）的结构光相位及深度估计混合网络，即构建一种CNN-Transformer的混合模块，并将构建的混合模块放入U型架构中，实现CNN与Transformer的优势互补。将所提出的网络在结构光相位估计和结构光深度估计两个任务上进行实验，并和其他网络进行对比。实验结果表明：相比其他网络，本文所提出的网络在相位估计和深度估计的细节处理上更加精细，在结构光相位估计实验中，精度最高提升31%；在结构光深度估计实验中，精度最高提升26%。该方法提高了深度神经网络在结构光相位估计及深度估计的准确性。