啁啾脉冲放大技术是实现超短超强脉冲激光放大的核心技术,而脉冲压缩光栅是该技术的核心光学元件。脉冲压缩光栅在制备工艺过程（镀膜,涂胶,曝光,显影,清洗,离子刻蚀等步骤）中会存在各种疵病,这些疵病会产生杂散光,并且会导致激光损伤阈值下降,影响光栅的实际使用性能。开展相关疵病检测工作,对改进光栅制造工艺和提升光栅的性能有着重要的研究意义和应用价值。本文围绕光栅表面疵病检测开展如下研究工作:1、基于传统图像处理技术开展疵病检测算法研究。针对低倍（5倍）物镜放大率下采集的疵病图像,提出了改进的基于区域生长的疵病提取算法。首先通过图像预处理、阴影校正、形态学处理等步骤找到用于区域生长的种子点播撒区域,其次设置合理的种子播撒条件确定种子点,最后通过设置合理的用于区域生长的自适应生长阈值条件和自适应截止阈值条件,实现疵病的提取,疵病提取准确率达到96%以上。根据低倍物镜放大率下疵病图像的几何特征,将其分为麻点状、点晕状、擦痕状三类。对于疵病可能存在跨多幅子图像的情况,利用理论位置拼接方法和特征点拼接方法进行图像拼接处理。针对在图像采集过程中相邻两幅图像之间存在重叠区域或疵病可能存在断点等情况,开展了疵病大小测量与疵病数量统计方案研究。2、基于U-Net语义分割网络技术开展疵病检测算法研究。针对高倍下常见的点状、断线状两类疵病进行了研究。高倍（100倍）物镜放大率下采集的疵病图像在疵病提取过程中,会受到栅线背景噪声、点状疵病边缘模糊等因素影响,容易造成疵病错检或漏检,本文利用深度学习方法,建立了疵病图像数据集,选用U-Net语义分割网络进行疵病检测。通过建立神经网络训练平台,网络训练后实现了一定的效果,平均交并比达到70.64%,成功检测出大部分疵病,但仍存在点状疵病分割精度不够以及断线类型疵病边缘模糊或边缘预测错误的问题。对此本文提出了改进的基于U-Net语义分割网络,将批量归一化层（BN层）和卷积注意力模块（CBAM）加入原始U-Net网络后,可以有选择性地关注疵病图像的细粒度特征信息并提高模型的分割精度。改进后的模型预测效果得到提升,平均交并比大于75%。3、搭建了一套光栅表面疵病检测系统。硬件平台主要由二维位移台、显微成像系统、上位机组成,并基于应用程序开发框架QT编写了相应的平台控制和疵病图像采集分析软件。实验采用同轴照明方式采集疵病图像,并按照“S”型路径扫描采集图像。利用该系统开展了疵病检测实验,分别在5倍和100倍物镜放大率下对3个光栅样片的同一区域进行四次重复性实验,统计结果的相对误差较小,表明系统具有良好的重复性。