机器视觉就像高等智慧生物的眼睛一样，能够快速、直观地获得外界空间的各类视觉信息，实现所见即所得。机器无法像人类一样观察周围的世界，是因为缺乏一双与人一样的眼睛，机器可以在某些单项能力方面远远超过人类，但综合起来却与人类又有很大的差别。

       1.现有视觉系统功能的单一性。以智能交通系统为例：抓拍车号的相机只能拍车号，不能测速，不能自动辨别车型，而且必须在固定位置，必须有外部辅助光源和拍照触发和启动传感装置；对于闯红灯和超速的车辆检测和识别，必须要另行配置相机完成。
　　2.现有视觉系统的专业局限性和复杂性。现有的机器视觉系统，都需要有专业技术人员进行专门的编程和系统设计。一个功能对应一套软件和一套专门的系统，这样的系统一般都对应着高昂的价格和高级的人才，无法为普通用户所掌握。
　　3.现有视觉系统与被摄物和环境的强相关性。不同的被摄物，不同的功能要求，需要不同的软件，同时系统需要配备专用的相机、专用的镜头、专用的辅助流水线和专用的辅助灯光和对背景进行特定设置等等。只要被摄物发生任何改变，例如：规格、大小、型号、摆放位置、标签等发生改变，都必须对程序进行修改和重新设计。
　　4.现有视觉系统一般都是基于二维图像的视觉感知，基本不具备三维实时感知能力。对于三维感知，目前一般采用激光扫描或双目加结构光的方式，这些方式有时还需要提前标定，还需要完成长时间的三维建模运算，有时还要固定应用场景或提前对被视物建模，另外，大部分需要一些人工干预以及延时和后期处理。
　　5.现有的图像识别采用的机器学习方法，对于图像的理解，一般针对特定图像类别和固定的应用场景，还不具有智能生物的真正意义上的视觉感知和视觉理解能力。而且，智能生物对于外部空间和物体是依靠三维感觉而形成，目前的图像机器学习算法，一般都是基于二维图像数据，在对空间的感知和理解能力来说，具有先天的缺陷和弱点。
　　这些不足和问题，不仅局限了机器视觉的应用范围，还让已有的技术应用复杂而困难。“我们之前所做的铁路车辆在线测量就是这样，复杂而又辛苦”，作为一个技术研发人员，希望通过技术改变些什么。纵观现有的机器视觉应用和技术，目前通用的“机器视觉”多数是由人工智能计算来实现的，一种视觉对应一种特有的软件和系统，完成一种固定的视觉任务，在算法和数据层面无法实现各视觉系统在机器视觉上的统一。而且，对于图像内容的理解方面，由于神经网络存在的黑箱性质，机器无法达到令人信服的对视觉的理解要求。