就是是指用摄影机和电脑代替人眼对目标进行识别、跟踪和测量等机器视觉，并进一步做图形处理，使电脑处理成为更适合人眼观察或传送给仪器检测的图像。
机器视觉需要图象信号，纹理和颜色建模，几何处理和推理，以及物体建模。实现图像理解是计算机视觉的终极目标。
物理是与计算机视觉有着重要联系的另一领域，计算机视觉关注的目标在于充分理解电磁波——主要是可见光与红外线部分——遇到物体表面被反射所形成的图像。另一个具有重要意义的领域是神经生物学，人们试图建立人工系统，使之在不同的复杂程度上模拟生物的视觉运作。计算机视觉的另一个相关领域是信号处理，很多有关单元变量信号的处理方法，尤其是对时变信号的处理，都可以很自然的被扩展为计算机视觉中对二元变量信号或者多元变量信号的处理方法。
到目前为止，还没有某个单一的方法能够广泛的对各种情况进行判定：在任意环境中识别任意物体。现有技术能够也只能够很好地解决特定目标的识别，比如简单几何图形识别，人脸识别，印刷或手写文件识别或者车辆识别。而且这些识别需要在特定的环境中，具有指定的光照，背景和目标姿态要求。
计算机视觉系统的结构形式很大程度上依赖于其具体应用方向。有些功能却几乎是每个计算机系统都需要具备的：
1.图像获取
一幅数字图像是由一个或多个图像感知器产生，这里的感知器可以是各种光敏摄像机，包括遥感设备，X射线断层摄影仪，雷达，超声波接收器等。取决于不同的感知器，产生的图片可以是普通的二维图像，三维图组或者一个图像序列。图片的像素值往往对应于光在一个或多个光谱段上的强度（灰度图或彩色图），但也可以是相关的各种物理数据，如声波，电磁波或核磁共振的深度，吸收度或反射度。
2.预处理
在对图像实施具体的计算机视觉方法来提取某种特定的信息前，一种或一些预处理往往被采用来使图像满足后继方法的要求。例如：
二次取样保证图像坐标的正确；
平滑去噪来滤除感知器引入的设备噪声；
提高对比度来保证实现相关信息可以被检测到；
调整尺度空间使图像结构适合局部应用。
3.特征提取
从图像中提取各种复杂度的特征。例如：
线，边缘提取；
局部化的特征点检测如边角检测，斑点检测；
更复杂的特征可能与图像中的纹理形状或运动有关。
4.检测分割
在图像处理过程中，有时会需要对图像进行分割来提取有价值的用于后继处理的部分，例如
筛选特征点；
分割一或多幅图片中含有特定目标的部分。
5.高级处理
到了这一步，数据往往具有很小的数量，例如图像中经先前处理被认为含有目标物体的部分。这时的处理包括：
验证得到的数据是否符合前提要求；
估测特定系数，比如目标的姿态，体积；
对目标进行分类。
高级处理有理解图像内容的含义，是计算机视觉中的高阶处理，主要是在图像分割的基础上再经行对分割出的图像块进行理解，例如进行识别等操作。
