在汽车生产中,配件的准确组装是确保汽车精确装配的重要前提。因此在生产制造中对配件严格检验其零件是否误装、漏装是生产装配中的重要一环。而传统人工检验,会受工人的主观问题带来错误检验结果而影响准确性,且工人辨识速率缓慢,检验效率低。针对传统人工检验的缺陷问题,本文研究了基于机器学习结合增强现实的汽车配件检测技术,设计了实现实时检测的汽车配件检测系统,大大减少工作量,使得检测更高效化、便捷化,所取得成果包括以下方面。首先,本文采用基于YOLOv3算法作为基础网络,并针对其IoU损失函数检测框计算方式有弊端会造成较差检测效果、K-means聚类算法计算先验框的方式会导致聚类效果较差等问题,提出了HP-YOLO（Higher Precision based on YOLOv3）检测算法。该算法引用Complete-IoU检测框损失函数,提出HP-k-means聚类算法,代替了YOLOv3中原始的IoU损失函数和k-means算法,从而改善了检测效果、获取更符合本文数据集特征的锚定值,产生更佳的聚类效果。实验结果表明HP-YOLO模型均较原始YOLOv3算法检测的m AP均值平均精准率从88.82%提高到92.55%,平均检测时长由35ms提速到29ms,在检测速度未减慢的前提下,有效解决了原YOLOv3存在的检测精度偏低和漏检问题。其次,本文在大量采集汽车配件零部件的图像数据基础上,构建汽车配件上零部件PART数据集。通过旋转、随机栽剪、放缩、灰度化、Canny边缘提取和高斯模糊等图像预处理方式对数据集进行增强,具有更好的泛化能力。对样本图像进行人工标注,制作PASCAL VOC标准数据集格式数据,保证了神经网络模型良好的鲁棒性和检测精度。最后,采用基于Microsoft HoloLens的增强现实技术,实现了对汽车配件上的零部件同时进行装配和实时检测的汽车配件检测系统。系统设计由服务器端基于HP-YOLO检测算法的配件检测模块和客户端HoloLens设备两部分组成,客户端和服务器端通过TCP/IP连接建立联系,系统检测时长0.939s。系统具有工人在生产线装配的过程中佩戴HoloLens眼镜对配件上的零部件是否误装漏装进行检测的功能,达到实时检测的目的。