光纤弯曲传感器在建筑、航空、医药、平面度监测、机械结构弯曲角度测量等多个领域都有着广泛的应用和重要意义。随着材料技术的发展,传感器在朝着精确、灵敏、智能化、网络化、低成本、易于加工的方向发展。光纤传感器由于其固有的优势受到了科研人员的广泛关注,而增敏型塑料光纤弯曲传感器有着制作简单,可判断弯曲方向,能有效增大光纤弯曲时的传输损耗灵敏度和动态测量范围,可用于分布式光纤传感等优点。随着图像处理器等高性能计算机硬件和移动互联网的发展,人工智能技术数据处理的性能大大提升,将其与光传感技术相结合有望能够提供一种新型的简单、高效的光纤弯曲传感器。本文提出一种利用卷积神经网络的基于可见光源对塑料光纤的单点以及多点弯曲角度及方向进行测量的方法。基于深度学习对携带光纤空间状态信息的输出光斑图样进行判断和识别,对塑料光纤单点和多点弯曲角度和方向进行识别分类,实现分布式传感。其中,分布式光纤弯曲传感器可进行实时多点测量,在公共基础设施的实时结构健康监测,可穿戴设备以及工业机器人技术等领域都有着很高的应用价值。但现有的分布式弯曲传感技术,往往结构复杂,成本高昂,如此便增加了此类传感系统的难度和成本。因此,如何进一步简化分布式光纤弯曲传感系统的架构,提高灵敏度以及性价比的研究就非常有意义。本文的主要工作内容如下:（1）首先对光纤弯曲传感器的研究背景和意义以及国内外的发展状况进行介绍,紧接着对深度学习的关键技术进行详细阐述。研究了光纤弯曲时,模场分布对输出散斑的影响,以及侧抛增敏光纤灵敏度的极性化。（2）提出了基于卷积神经网络的增敏型塑料光纤弯曲传感器,在典型卷积神经网络的基础上设计出面向小规模图像数据集的卷积神经网络,通过对Alex Net模型的输入数据尺寸、输入通道数量、卷积核以及网络层数进行调整,设计了三种模型。塑料光纤弯曲角度间隔为5°时识别准确率达到96%,证明了卷积神经网络能够很好的实现侧抛增敏型塑料光纤弯曲角度的识别分类。（3）相较与其他类型的光纤弯曲传感器,基于强度变化的光纤传感器虽成本低,制造工艺简单,但缺乏复用能力。现有的分布式弯曲传感技术往往需要复杂的架构,成本高昂,因而在单点弯曲角度检测的基础上,提出一种基于多点弯曲检测的增敏型塑料光纤弯曲传感器,通过改变网络参数,引入批归一化处理以及全局平均池化操作构建卷积神经网络DOFBA-Net,利用DOFBA-Net以及支持向量机,决策树,K-means等多种传统机器学习算法对多点弯曲角度与方向的识别进行分类实验验证。对于来自三个增敏区域的19种弯曲类别,识别准确率达到了98%。本次实验为今后进一步提高分布式塑料光纤弯曲传感器的性能研究奠定理论及实验基础。