随着光学科技的快速发展,光学元件被广泛应用于航空航天、国防军事、医疗和通信等领域。但在光学元件加工过程中,由于加工工艺的问题,会在其表面产生麻点、划痕等缺陷,严重影响由其组成的光学系统的稳定性,甚至会影响整个光学系统的成像质量。传统的缺陷检测算法存在复杂且准确率低等弊端,已经无法满足光学元件高精度检测的需求。因此课题针对光学元件表面缺陷的准确测量展开研究,主要的研究内容如下:通过对光学元件表面缺陷特征分析,提出一种将深度学习图像提取算法与显微暗场成像相结合的缺陷检测方法,将缺陷显微暗场图像作为缺陷提取网络的数据来源,设计构建适用于光学元件表面缺陷数据集的深度学习网络模型,通过对模型进行训练与测试,得到经神经网络提取后的缺陷二值图像,再对缺陷二值图像进行进一步分析,完成对光学元件表面缺陷二维尺寸的测量。光学元件表面缺陷数据集的建立。基于暗场成像理论搭建显微暗场成像检测装置,采集元件表面缺陷暗场图像,同时结合缺陷图像的特点,采用高斯双边滤波算法去除图像中的噪声干扰。然后对图像进行标注,针对样本数据量不足的问题,使用图像翻转、旋转和平移的方式来扩充数据集,完成光学元件表面缺陷显微暗场图像数据集的制作,为深度学习缺陷提取模型提供数据支撑。改进U~2-Net网络对光学元件表面缺陷进行准确地提取。为了提高神经网络对光学元件表面缺陷提取的精度,在U~2-Net网络的基础上引入了注意力模块和残差网络模块,有效地解决了元件表面缺陷部分特征在网络训练过程中丢失的问题,同时解决了随着网络加深出现的梯度消失问题,降低了网络模型的训练难度,提升了元件表面缺陷提取的效果。在保证提取精度的情况下,为了减少计算和参数量,将改进前网络中下采样层的传统3×3卷积替换为深度可分离卷积,缩短了模型训练时间近5小时。从模型的训练和测试结果来看,改进后的网络模型收敛速度更快,缺陷的像素提取准确率达到了95.7%,相似度系数（Dice）达到了91.3%,交并比（IOU）也达到了91%,表明改进的U~2-Net网络可以准确地实现对光学元件表面缺陷进行提取。光学元件的表面缺陷检测实验研究。基于改进后U~2-Net网络提取到光学元件表面缺陷二值图像,进行划痕和麻点的二维尺寸量化。首先对缺陷的二值图像进行骨架化处理,通过对缺陷骨架分析,利用缺陷尺寸计算方法获得光学元件表面缺陷二维尺寸。然后,将缺陷尺寸计算结果与白光干涉仪的检测结果进行比较,检测结果基本一致,表明本文方法可以实现对光学元件表面缺陷的快速、准确的检测。