多模光纤内部不同模式的干涉会在光纤端面处形成具有复杂亮斑分布的光斑图样。由于光斑的形成与多模光纤的结构以及所处环境等具有密切联系,因此可以利用光斑的检测和处理对光纤所处状态进行传感。随着光斑图样检测技术与图像处理技术的日益发展,基于光斑的光纤传感器已经在多个领域表现出其独特的优越性,具有很高的研究价值。本文对多模光纤在不同弯曲半径下的输出光斑进行了仿真及实验研究,基于深度学习的方法,通过对多模光纤输出光斑进行分析,实现了光纤弯曲状态的识别,并获得了光纤光斑与光纤曲率的回归运算关系,实现了曲率传感。主要研究内容和创新点如下:（1）对多模光纤在弯曲时的模式激励情况和光斑形成进行了详细的仿真分析,并对具有不同结构参数的多模光纤在不同弯曲半径下输出光斑的特点进行了分析对比。（2）自主设计了一套能够自动采集光纤在不同曲率下输出光斑的实验装置,利用该实验装置高效获取了大量的输出光纤光斑,体现出该装置具有良好的精度和鲁棒性。（3）提出了两种基于光斑的光纤弯曲状态识别方案。采集两种多模光纤在21个不同曲率下输出的光斑作为数据集。第一种方案将数据集按比例划分为训练集和测试集,分别用于卷积神经网络的训练和性能测试,可以准确识别光斑所对应的光纤曲率,分类准确率可达96.6%。第二种方案利用光斑所包含的丰富的纹理信息,采用图像纹理特征提取与人工神经网络结合的方案对光斑图像进行了准确识别,分类准确率为95.95%。以上两种方案均获得了良好的识别准确率,充分说明了光纤光斑作为光纤状态指示参量的可行性。（4）将基于光斑的光纤曲率传感视为深度学习的回归问题,搭建了用于光纤曲率传感的回归型卷积神经网络。将光纤在不同曲率间隔下采集的大量光斑图样按比例分为训练集和测试集,对卷积神经网络进行训练和测试,并在此基础上,利用未参与训练的新曲率下的输出光斑测试该网络模型的泛化能力和传感能力。卷积神经网络对曲率测试范围内的任意一个光斑可以准确预测出相应的光纤曲率,在曲率范围1.55-6.93m-1内,对于94.7%的测试集光斑,预测曲率误差不超过0.3m-1,证实了基于卷积神经网络对光斑分析实现光纤弯曲传感的可行性,为光纤曲率传感提供了一种有效的方案,并提供了提升传感器精度的可靠方法。