机器视觉系统处理的图像通常被镜头加工工艺和相机轴向与被测对象所在平面不垂直所影响,导致被测对象的图像产生畸变,最终给测量结果带来误差。由于不同的机器视觉系统的镜头加工工艺以及相机位置对图像的影响程度不同,使系统的图像畸变具有不确定性。图像质量的稳定是机器视觉检测稳定性的基本保证,且系统的图像畸变问题无法在系统设计时提前避免。因此追求一种能够应对机器视觉系统图像畸变不确定性的校正算法成为了研究的课题,本文将重点研究机器视觉系统的图像畸变校正算法。本文先阐述了机器视觉系统的图像畸变原理。介绍了机器视觉系统图像畸变的产生原因。随后对系统的图像畸变进行了详细的阐述。在此理论基础上本文提出了一种创新的基于CNN的机器视觉系统图像畸变校正算法。该算法利用卷积神经网络（Convolutional Neural Networks,CNN）来对系统的图像非线性畸变模型进行完整求解,并基于图像非线性畸变模型对系统的图像畸变实施校正。本文具体阐述了该图像畸变校正算法的原理,具体应用流程和实现过程。整个算法主要分为两部分:图像非线性畸变模型的求解和图像校正。前期准备工作为图像的获取和CNN的训练,首先基于MATLAB模拟大量机器视觉系统畸变程度不同的图像,将图像用于CNN的回归训练。CNN模型训练完成之后,利用机器视觉系统的畸变模板图像,输入CNN模型求解系统的图像非线性畸变模型;然后基于得到的图像非线性畸变模型对系统的图像畸变实施校正。由于用于该校正算法的CNN模型可以通过机器视觉系统的畸变模板图像求解图像非线性畸变模型,因此该算法可以对存在不同程度图像畸变的系统进行图像畸变校正。本文通过机器视觉系统实测的工件的畸变图像对该算法进行验证,经验证该算法校正效果较好,可以提升机器视觉系统的检测质量。