由圆环形多匝光纤线圈绕制而成的光纤环是干涉型光纤陀螺中传播两相向光波来产生SAGNAC相位差的核心部件,其绕制品质的好坏直接影响光纤陀螺的测量精度,因此对光纤环绕制缺陷进行实时监测,无论在理论上还是在工程上都有很大的实际应用价值。传统依靠人工目视进行光纤环绕制质量的监测已不能适应现代化生产高精度和高效率的要求。机器视觉作为一种非接触性测量方式,具有检测精度高、速度快、成本低、安全性高等优点,已广泛应用于实际工业生产和检验中。因此,本文基于机器视觉技术围绕光纤环绕制缺陷检测这一实际问题,采用图像分析和模型构建等手段,开展以下研究工作:（1）通过对缺陷特征进行分析,提出一种基于小波变换的快速光纤环缺陷检测方法。首先利用形态学方法进行图像预处理得到利于后续分析的理想区域。之后利用投影变换和离散小波变换对信号局部化时频分析的能力,实现缺陷的定位。实验证明该方法在光纤环缺陷检测上取得较高的准确率。针对光纤环图像的周期性复杂纹理特征,提出一种基于纹理特征和低秩矩阵表示模型的缺陷分割方法。首先根据多种特征描述子构建纹理特征库来编码光纤环图像的纹理信息。在此基础上,通过将矩阵分解为代表高度冗余信息的低秩矩阵和与显著缺陷部分相对应的稀疏矩阵,进而分离出缺陷信息和缺陷位置,在缺陷分割方面取得了很好的效果。（2）为了识别缺陷类型,构建结合支持向量机和自适应遗传算法的分类模型。提出交叉概率和变异概率的自适应调整方案,以进行分类器参数寻优,通过实验验证了该方法对光纤环绕制缺陷具有较高的识别率。（3）为克服传统检测方法缺陷检测和类型识别分阶段进行的局限性,依据当前深度学习取得的先进成果,探索如何把深度学习应用到光纤环质量监测中以得到更好的缺陷检测效果,提出一种基于深度学习的端到端缺陷检测及分类一体化方法。通过模型结构的优化改善了模型对于小尺寸目标检测能力弱的问题,提高了缺陷检测的精度。为了增强网络模型的鲁棒性,采用数据扩充及网络微调的策略防止过拟合现象。针对实际工业应用中轻量化的需求,采用稀疏训练和通道剪枝策略使模型进一步简化,速度更快,满足实时性要求,为光纤环实际生产过程中自动检测提供了有效的算法和参考。综上所述,本文以光纤环绕制过程中质量视觉检测的实际需求和问题为导向,搭建缺陷视觉检测系统,提出可用于光纤环图像的缺陷检测方法,并进行大量测试。实验证明,本文提出的方法在解决光纤环绕制缺陷检测问题上的有效性,对于提高我国光纤环生产的自动化水平具有重要的理论意义和工程价值。