在曲轴柔性生产线和装配线中，需要智能地、实时地识别和掌握不同类型的曲轴。针对批量曲轴智能识别问题，提出了一种基于深度测量的曲轴类型识别方法。根据识别要求，对图像进行预处理和数据增强，以提高样本的质量和数量。基于卷积神经网络AlexNet和LeNet－5的两个典型模型，对输入图像的大小、模型层数和输出层类型等参数进行了调整。在AlexNet模型的基础上，设计了15种曲轴识别和分类模型，并对5种曲轴样本进行训练，从15种曲轴识别和分类模型中选出最优模型，即识别精度高、实时性好的模型称为模型a，模型a的参数个数为1.60710~6，数据流为3.87MB，正向传播时间为82.9ms，识别精度为0.982。在对模型进行预处理的过程中，进一步降低了模型的阶数振荡问题。GrabCut算法用于图像分割，在模型a的基础上构建了12个曲轴识别和分类模型。同样，对5种曲轴样本进行训练，以选择识别精度高的最佳模型，称为模型B，模型B参数的个数为0.3910~6，数据流为1.93MB，正向传播时间为49.5ms，识别准确率为0.990。实验表明，优化后的模型B具有更快的前向传播时间，更小的内存需求，识别精度与模型a相当。从以上实验结果来看，模型a和模型B都满足识别精度和实时性要求。与lenet-5型和AlexNet型相比，B型的识别精度分别提高了0.12和0.025，正向传播时间分别缩短了45.6和22.5，满足装配线上曲轴类型识别的要求。