计算机视觉与机器视觉，首先是应用场景不一样，就像视远图像赵旭回答的那样：你把摄像头对着人就是CV，对着车间就是MV。
计算机视觉和机器视觉应用场景不同，就像拉货车和载客车是的，侧ZD不同而已，一个侧重人工智能分支，一个侧重工业应用！简单说起来的话，计算机视觉偏重于深度学习并且偏向软件，机器视觉偏重于特征识别同时对硬件方面要求也比较高，不过随着对智能识别要求越来越高的发展，这两个方向毕竟会互相渗透互相融合，区别也仅于应用领域不同而已。
其次，我感觉Z大的区别，在于技术要求的侧ZD不一样，甚至差别很大。
计算机视觉，主要是对质的分析，比如分类识别，这是一个杯子那是一条狗。或者做身份确认，比如人脸识别，车牌识别。或者做行为分析，比如人员入侵，徘徊，遗留物，人群聚集等。
机器视觉，主要侧重对量的分析，比如通过视觉去测量一个零件的直径，一般来说，对准确度要求很高。我记得以前接触过一个需求: 视觉测量铁路道岔缺口。哥刚毕业的时候在铁路上班，做过控制系统，还开过内燃机车，很清楚道岔缺口的重要性，这玩意儿你说要是测不准，呵呵:)
当然，也不能完全按质或量一刀切，有些计算机视觉应用也需要分析量，比如商场的人数统计。有些机器视觉也需要分析质，比如零件自动分拣。但，计算机视觉一般来说对量的要求不会很高，商场人数统计误差个百分之几死不了人的，但机器视觉真的会，比如那个道岔缺口测量。
既然要求这么高，是不是机器视觉就比计算机视觉难呢？也不是的，应该说各有各的难处。
计算机视觉的应用场景相对复杂，要识别的物体类型也多，形状不规则，规律性不强。有些时候甚至很难用客观量作为识别的依据，比如识别年龄，性别。所以深度学习比较适合计算机视觉。而且光线，距离，角度等前提条件，往往是动态的，所以对于准确度要求，一般来说要低一些。
机器视觉则刚好相反，场景相对简单固定，识别的类型少(在同一个应用中)，规则且有规律，但对准确度，处理速度要求都比较高。关于速度，一般机器视觉的分辨率远高于计算机视觉，而且往往要求实时，所以处理速度很关键，目前基本上不适合采用深度学习。
以上讨论的是技术，商业方面，计算机视觉的应用面更广一些，毕竟很多业务是跟人相关，比如人脸识别，行为分析等，很多垂直领域都有计算机视觉潜在需求，相对来说，更适合创业；
而机器视觉顾名思义，业务主要跟机器相关，而且对准确度甚至安全性要求很高，也就在资质品牌方面有较高的门槛，所以寡头垄断严重，一般来说，更适合上班而不是创业。
机器视觉（Machine Vision， MV） & 计算机视觉(Computer Vision， CV)
从学科分类上， 二者都被认为是 Artificial Intelligence 下属科目.
有几个分支：
一个是图像处理，主要是信号与系统，统计，优化
一个是求解景物与图像之间的关系，如立体视觉、三维重建，主要是几何
一个是模式识别，例如如何分割图像、识别目标，主要是人工智能
但实际提及时， 主观感觉上
MV 更多注重广义图像信号（激光，摄像头）与自动化控制（生产线）方面的应用。
CV 更多注重（2D， 3D）图像信号本身的研究以及和图像相关的交叉学科研究（医学图像分析，地图导航）。
