图像处理和分析计算机通过图像处理软件对图像进行处理，分析获取其中的有用信息。如PCB板的图像中是否存在线路断路、纺织品的图像中是否存在疵点、文档图像中存在哪些文字等。这是整个机器视觉系统的。

在整个过程中，被测对象的信息反映为图像信息，进而经过分析，从中得到特征描述信息，根据获得的特征进行判断和动作。典型的机器视觉系统一般包括: 光源、光学成像系统、相机、图像采集ka、图像处理硬件平台、图像和视觉信息处理软件、通信模块。

总体上，一个成功的机器视觉系统需要***解决图像采集（包括光源、光学成像、数字图像获取与传输）、图像处理分析几个环节的关键技术。

照明是机器视觉系统中极其重要而又容易为人忽视的环节。其设计是机器视觉系统设计的重要步骤，直接关系着系统的成败和性能。因为照明直接作用于系统的原始输入，对输入数据质量的好坏有直接的影响。

镜头成像或多或少会存在畸变。较大的畸变会给视觉系统带来很大困扰，在成像设计时应对此有详细的考虑，包括选用畸变小的镜头，有效视场只取畸变较小的中心视场等。镜头另一个特性是其光谱特性，主要受镜头镀膜的干涉特性和材料的吸收特性影响。要求尽量做到镜头高分辨率的光线应与照明波长、CCD器件接受波长相匹配，并使光学镜头对该波长的光线透过率尽可能提高。在成像系统中选用适当的滤光片可以达到一些特殊的效果。另外，成像光路的设计还需要重视各种杂散光的影响。


图像特征分析理解是对目标图像进行检测和各种物理量的计算，以获得对目标图像的客观描述，主要包括图像分割、特征提取（几何形状、边界描述、纹理特性）等。机器视觉中常用的算法包括: 搜索、边缘、Blob分析、卡尺工具、光学字符识别、色彩分析。目前，机器视觉软件的竞争已经从追求功能转变为算法的准确性和效率的竞争。已有专门提供视觉软件或者开发包的厂商。因为常规的机器视觉软件开发包尽管均能提供上述功能，但其检测效果和运算效率却有很大差别。的机器视觉软件可对图像中目标特征进行快速而准确的检测，对图像的适应性强; 而不好的软件则存在速度慢、结果不准确、鲁棒性差的缺点。