随着汽车、航空航天、武器装备等领域对管筒状零件的可靠性要求越来越高,筒状工件内壁的腐蚀、划痕等质量问题,将会直接影响工业产品的性能以及生命财产的安全,因此,定期开展对筒状工件内壁进行质量检测和评估。目前基于折反镜和结构光的成像检测方式,受筒状工件内部狭长特性的影响,成像装置设计加工难度大,可靠性低。而直接通过鱼眼镜头成像,由于成像焦距短,视场畸变大,影响检测效果。针对该问题,论文基于变焦镜头,采用多聚焦视觉成像技术,研究基于多聚焦图像序列融合的筒状工件内壁形貌重构方法,研究拟实现对筒状工件内壁全景成像检测。首先,针对多聚焦图像序列中聚焦区域特征提取困难问题,结合深度学习的深层特征自适应性提取优势,研究基于Siamese Network(暹罗网络)的多聚焦图像序列融合算法,利用基于Siamese Network检测筒状工件内壁的聚焦区域,通过网络输出的分数图决策不同景深的内壁图像序列的聚焦区域,融合出全聚焦的内壁全景视图。由于全景图是将三维空间筒状工件360°内壁信息压缩到二维平面环形内,视觉不直观。针对该问题,根据透视变换原理,研究筒状工件内壁全景图像展开方法,并针对展开过程中坐标系的映射插值方法进行了改进,提高了展开图像的质量。最后,论文采用6.5mm-42.5mm的变焦精度,针对80mm-130mm的筒状工件设计了成像实验装置。实验结果表明本文提出的形貌重构方法能够直接获取筒状工件内壁全景形貌,成像质量高,能有效实现内壁质量的检测。