1、从生物视觉得到启发，吸收来自心理学、生理学等其他学科中生物视觉的最新研究成果，基于生物视觉机制为视觉检测提供研究新思路，模仿生物视觉多尺度、层次性的视觉特点，结合视觉任务，引入先验高级知识的指导，同时将机器视觉、机器听觉、机器嗅觉 、机器触觉等多信息相互融合，突破单一视觉信息的局限性，也将成为机器视觉检测的发 展方向之一。
2、研究更具鲁棒性的图像处理和分析算法，提高图像处理的有效性和和执行效率，降低算法的复杂度，提高识别的准确性。在在线检测系统中，要特别注重实时性 ，视觉本身具有内在的并行性，为此，还在要理论、算法和技术等多方面研究视觉并行计算，提高视觉计算的速度。同时，进一步研究算法性能的评价方法，以对算法的效率和性能作了科学、准确的刻化和评价。
3、MARR 理论对计算机视觉发挥了巨大作用，其核心是将视觉理解为 3D 重建的过程。但是，从3D 场景到 2D 图像是一个多对一的映射，在映射的 过程中损失了深度信息; 灰度是对场景的惟一的测量值 ，诸如光照、材料特性、朝向和距离等信息都无法反映; 成像中由于噪声及环境等因素的干扰，都会使图像产生失真。为此，需要研究视觉检测新理论和新方法，如发展主动视觉、增强视觉系统的智能学习能力等。
4、采用统一而开放的标准，构建标准化、一体化和通用化的解决方案，标准化与个性化的进一步统一 ，研发可靠性高、维护性好、便于不断完善和升级换代、网络化、自动化和智能化更高的机器视觉系统是今后的发展趋势。
5、研究完整3维场景重建方法。现有3维场景 重建理论和算法基本都局限于对目标“可视”部分的重构，如果用Marr视觉计算理论来说，还主要停留在2.5维表达上，这种表达仅提供了物体可见轮廓以内的3维信息。如何恢复物体完整表面的信息，即包括物体表面不可见部分，是一个复杂但也亟待解决的问题。
