球面光学元件在民用、军事等领域的应用越来越广泛,对其质量要求也越来越高。表面疵病是评价光学元件质量的重要指标之一,因此表面疵病检测在光学元件的制造过程中起着重要的作用。随着人工智能技术的不断发展,机器视觉检测光学元件表面疵病已经成为一种越来越受欢迎的技术,其已经应用于平面光学元件表面疵病检测,但应用于球面光学元件中还存在一些问题。球面光学元件由于疵病种类较多、不同的疵病形态各异,采用机器视觉的方法对其进行检测时,丢失了疵病的三维信息,造成了检测误差,并且通过传统的图像处理算法对球面光学元件表面疵病的评价容易产生误判,且稳定性差。因此,本文针对球面光学元件表面疵病机器视觉检测方法进行了研究。针对球面光学元件表面疵病在成像的过程中丢失了表面疵病的三维信息这一问题。研究了表面疵病散射成像原理与球面三维重建原理,提出了一种机器视觉与三维重建相结合的检测方法。首先,根据球面光学元件的成像特性选用远心成像模型搭建了图像采集平台,以获得高质量的表面疵病图像。然后,通过图像处理算法对表面疵病图像进行预处理。最后,基于计算机视觉图像重建技术与逆投影技术,对疵病图像进行三维重建。针对传统图像处理方法对球面光学元件表面疵病评价容易产生误判,且稳定性差这一问题。研究了一种深度学习与传统图像处理算法相结合的表面疵病评价方法。首先,通过边缘检测算法对图像中的疵病进行识别。然后,运用最小外接矩形算法与最小外接圆算法获得表面疵病的特征信息,并且采用训练好的YOLOv3网络模型对疵病进行分类。最后,根据常用的检测标准美国军用标准（MIL-PRE-13830B）的规定完成对光学元件表面疵病的评价。本文搭建的检测平台可以对口径10mm,曲率半径64mm的球面光学元件表面疵病检测。实验表明,该方法与传统成像法相比精度提升了83%,并且能够准确地根据标准对光学元件表面疵病进行评价,具有研究意义和实用价值。