悬浮间隙传感器在电磁悬浮闭环控制过程中扮演着重要角色。悬浮间隙检测属于典型的非接触测量应用场景,计算机视觉在非接触测量方面取得了巨大成功。本文的特色是针对磁悬浮系统悬浮间隙测量存在的对被测体材料敏感、易受温度影响和需要非线性校正等问题,将基于机器学习的视觉测量技术应用于悬浮间隙检测领域,采用理论分析和实验验证相结合的研究思路寻求解决途径。本研究的主要工作是分析研究悬浮间隙传感器的测量机理和技术指标,搭建了悬浮球系统悬浮间隙视觉测量平台,设计了悬浮间隙视觉测量方案,通过软硬件设计来实现悬浮间隙的精确测量,最后通过闭环控制进行实验验证。首先通过对视觉检测系统进行总体设计,包括硬件选型和相机标定。然后详细设计悬浮间隙数据集的获取方法和步骤。对悬浮间隙图像数据进行ROI裁剪、滤波去噪、阈值分割等一系列预处理,最后对每一张间隙图片进行标准归一化制作悬浮间隙数据集。然后分别基于传统机器学习算法和深度卷积神经网络进行悬浮间隙检测方法设计,验证了基于支持向量回归机SVR和BP神经网络的浅层学习模型在悬浮间隙检测任务上的表现。搭建了SelfConvNet和SelfConvNet-SVR两种主要的网络模型结构,通过实验完成深度学习回归模型结构设计和参数优化,最后使用回归模型评价指标对不同模型进行了测试验证,实验表明两种模型的检测误差都能控制在±0.1mm内,其中SelfConvNet模型的最大误差为0.064mm,线性度为0.32%F.S.。最后将悬浮间隙视觉检测算法移植到嵌入式GPU平台上,基于嵌入式GPU平台和TensorRT技术对卷积神经网络进行嵌入式硬件加速实验。通过搭建实验平台对视觉测量系统进行了稳定性分析、实时性分析和闭环控制实验,初步验证了悬浮间隙视觉检测传感器性能指标能满足悬浮球控制系统要求,并取得了满意的实验效果。