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
简单来说区别首先是应用场景不一样，MV 眼睛对着机器，CV 眼睛对着人。
计算机视觉学术一些，更偏软件；
机器视觉软硬件都包括（采集设备，光源，镜头，控制，机构，算法等。），指的是系统，更偏实际应用。因此更多的是把机器视觉，叫做机器视觉系统。
主观感觉上：
MV 机器视觉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 计算机视觉更多注重（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）
其次，我感觉比较大的区别，在于技术要求的侧重点不一样，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。
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。
机器视觉与计算机视觉的主要区别应该是应用上的不同，机器视觉侧重于工业视觉，计算机视觉侧重于商用视觉应用
另外是在计算能力上，在计算机和机器人的计算能力中，前者几乎可以是无限的，而后者的算法必须考虑控制计算规模。
