在传统焦度计测量中, 由于被测镜片后表面曲率半径变化, 使得镜片后顶点与光阑表面无法完全重合, 造成焦度测量误差随镜片度数增大而增大的情况。针对此传统测量上无法克服的测量误差, 提出了一种利用不同焦度镜片图像提取不同特征的方法, 获得了不同焦度镜片的特征数据集, 并将特征数据集利用机器学习中k-近邻聚类算法(KNN algorithm)进行分类。选取折射率为1.551的-20 ~+20m-1每隔1m-1的单焦点镜片, 折射率为1.56与1.60的-15 ~+8m-1每隔0.5m-1的单焦点镜片进行镜片图像采集。实验结果表明, 所提方法下分类的精准度、召回率与F1评分均为100%, 三个模型均能正确识别其对应的所有测试镜片, 克服此测量误差。

为了减少屈光度测量误差，提高精度。本文针对哈特曼法焦度测量建立了较详细的误差模型，着重分析了光源的色散误差、入射光与透镜未垂直、光电探测器中心定位不准、透镜倾斜、光源光线主轴与透镜主轴未重合所引起的屈光度测量误差。结果表明，得出由于光电探测器上中心提取的不准确，会对最终的结果产生较大的误差。并由此提出了双重双线性插值结合拟合法来求取中心的方法，并证明了其有效性和准确性。

在采用哈特曼法测量的自动对焦式焦度计中,哈特曼光阑具有选择光线和决定测量分辨率的作用,其孔径大小和孔间距直接影响CCD接收器上成像光斑质量从而导致光斑位置测量误差。根据哈特曼光阑上圆孔的排布方式建立了目标函数模型,利用孔径光阑衍射干涉光学理论结合Matlab仿真确定了变量模型,以枚举法作为极值搜寻方法,完成了优化光阑圆孔最佳孔径的程序编制,求得一定测量面积内哈特曼光阑最佳孔径,并搭建基于哈特曼法测量镜片的实验平台,通过对比实验证明了此方法求得的最佳孔径值的可靠性。