测量身高可以通过以下步骤使用编程实现：
获取用户输入
使用编程语言提供的输入函数或界面来让用户输入身高值。例如，在Python中可以使用`input（）`函数来获取用户输入的身高值。
验证输入数据
对用户输入的数据进行验证，确保输入的是有效的身高值。例如，可以检查输入是否为数字，并且是否在合理的范围内（通常身高值应该在0到300厘米之间）。
单位转换
如果用户输入的身高单位与程序所需的单位不一致，程序需要进行单位转换。例如，如果用户输入的是厘米单位的身高，而程序需要的是米单位的身高，那么程序需要将输入的厘米值除以100来转换为米。
显示结果
最后，程序需要将测量结果显示给用户。可以使用编程语言提供的输出函数或者界面来显示用户的身高值。
下面是一个使用Python编写的简单示例程序：
```python
def measure_height（）:
获取用户输入
height = float（input（"请输入您的身高（厘米）: "））
验证输入是否合法
if height < 0 or height > 300:
print（"请输入合理的身高值!"）
return
单位转换
height /= 100
显示结果
print（"您的身高是： {:.1f} 米".format（height））
measure_height（）
```
这个程序首先获取用户输入的身高值，然后验证输入的合法性，接着将厘米单位的身高值转换为米单位，并最后将结果显示给用户。
其他方法
除了上述简单的示例程序，还可以通过收集一系列与身高相关的数据，然后使用数学模型或算法来进行计算和预测。这种方法通常涉及以下步骤：
收集数据
收集一组具有身高信息的数据。可以通过调查问卷、人工测量或从已有的数据库中获取。这些数据应包括身高以及可能影响身高的其他因素，如年龄、性别、遗传等。
数据预处理
在进行测算之前，需要对数据进行预处理，包括数据清洗、缺失值处理和异常值处理。确保数据的准确性和完整性是很重要的。
特征选择
根据目标，选择与身高相关的特征。例如，性别、年龄和遗传因素可能与身高有关。使用统计方法或机器学习算法进行特征选择，可以帮助确定最相关的特征。
模型选择
根据数据的特征和目标，选择适合的模型进行身高测算。常见的模型包括线性回归模型、决策树模型、支持向量机模型等。根据数据的特点和需求，选择最合适的模型。
模型训练
使用已经收集和预处理的数据，将数据划分为训练集和测试集。使用训练集对模型进行训练，并根据测试集的预测结果评估模型的性能。可以使用不同的评估指标，如均方误差（MSE）或平均绝对误差（MAE）。
模型优化
根据评估结果，对模型进行优化。可以调整模型的超参数、改进特征工程方法或尝试其他算法，以提高模型的性能。
预测身高
当模型经过训练和优化后，可以使用该模型来预测新的身高数据。将待预测的特征输入模型，得到预测结果。
需要注意的是，身高的测算是一个复杂的问题，受到多种因素的影响，如遗传、环境和营养等。因此，实际的身高测算可能需要更复杂的算法和数据集来进行准确预测。