随着核聚变技术的发展，遥操作维护在核聚变装置维护中的重要性越来越受到重视。进行维护的前提是能够正确的识别和定位装置内部的损伤部件以及内部部件的更换。而随着机器视觉技术的发展，因其视觉检测技术具有快速、无接触、便捷和可靠等优点，越来越多的应用于各类产品或部件的表面损伤检测及识别中。虽然，国内外已有不少科研工作者意识到机器视觉技术应用到核聚变装置维护中的巨大潜能，但到目前为止，尚未将机器视觉技术应用到核聚变装置第一壁损伤检测及碎片抓取和部件更换中。基于这点，本文将借助EAST托卡马克装置和EAST铰链式机械臂系统（简称EAMA），着重研究机器视觉技术在其第一壁维护上的应用。研究重点为降低系统的复杂性，提高系统对损伤部件的识别率、碎片抓取的准确性、部件更换操作的可靠性。具体表现为如下几个方面:　　1.本文从基于未来EAMA机械臂的机器视觉在EAST第一壁维护上的应用着手，分析系统的性能和功能需求，从软硬件方面详细介绍了系统的各个功能模块，包括CASK转运车模块、机械臂模块、图像采集模块、图像分析和处理模块以及通信模块，总体设计了EAMA机械臂视觉检测系统的工作流程。针对于特征提取和识别任务，提出图像预处理、特征提取及降维、分类器设计等处理流程和随机形状碎片的定位流程。　　2.图像预处理阶段能否获取完整表达的缺陷特征轮廓或者缺陷特征骨架是后续特征提取的前提条件。本文针对于传统平滑滤波方法在滤波的同时，也弱化图像细节这一问题，提出边界不变性滤波方法，并与高斯平滑滤波做了对比分析。在轮廓或者骨架提取时，EAST第一壁瓦片裂纹/裂痕与瓦片间隙会连为一体，导致特征提取不精确，不能正确表达裂纹/裂痕的特征信息，针对这一问题，本文提出基于曲率选择的骨架/轮廓分割算法，该算法通过计算单像素宽骨架上各个像素点的曲率，采用胜者为王策略选择分割像素点，计算该像素点的法线并以法线为基准，切割骨架或者缺陷区域。　　3.一个独特、精确而又完整的表达缺陷的特征向量不仅仅能够避免维数灾难的发生，而且能够提高特征训练和识别的效率，增强系统的鲁棒性。本文以此为出发点，首先根据经验，从形态和结构上选择多种特征;在此基础上，对提取的具有不同数值量级的特征值进行z-score归一化处理，对数据标准化处理的高维向量采用主成分分析法进行降维处理。分类器的设计是最终能够识别的决策核心。为了克服单一分类器的局限性，本文设计了基于BP神经网络的分层并行结构的分类器结构并实验，在样本缺乏的情况下其分类识别率达到70％。　　4.本文针对于碎片形状随机性，进行深入研究，提出基于碎片轮廓的最大内接矩形的位姿估计算法，该算法通过提取碎片顶表面的轮廓及其最大内接矩形，根据双目视觉的极限几何理论计算顶点和中心点的空间坐标，最终通过顶点向量之间的叉乘和中心点空间坐标确定机械臂抓取的姿态和位置。同时，针对于内部部件的更换，本文选取其中装配的典型操作Peg-In-Hole作为主要研究对象，提出了结合位置不确定性搜索的DMP装配策略，并做了不同情形下的对比试验。　　本文通过对基于未来EAMA机械臂的机器视觉技术在EAST托卡马克装置内部部件维护中的应用研究，设计了机械臂视觉系统的功能模块，提出了视觉采集方案、EAST第一壁表面损伤检测与识别以及随机形状的碎片位姿估计方法，最终通过实验验证了可靠性。本研究对机器视觉技术在未来CFETR聚变堆遥操作维护中的应用具有一定的借鉴或启发作用。