由于多个模式的存在,多模光纤输出的多个模式发生干涉形成散斑。因为散斑很难进行明确分类和识别,传统上利用一根多模光纤是无法进行成像的,而且,多模光纤传输信号十分不稳定,信号会因为外界的温度和光纤的应力而发生一定程度的失真。随着深度学习和机器学习技术的发展,现在可以使用神经网络对光纤输出端得到的散斑图进行图像识别和分类。神经网络可以提取散斑图的特征,然后根据散斑的特征进行识别和分类,在本文中,我们通过测试不同的算法对散斑进行识别和分类,得到不同算法的识别效率和性能分析,并对比得到识别散斑的最优算法模型,同时通过观察散斑图发现,若把散斑图映射到HSV色彩空间中,单使用散斑的V分量进行分类也能达到不错的分类效率,且能缩减训练时长。在实验中我们搭建实验平台,把26个字母的图像传入光纤,在输出端采集散斑图。在散斑预处理后分别使用不同层数的卷积神经网络和CNN+SVM的网络模型以及直接用SVM、K-means、KNN等传统机器学习算法对散斑图进行分类。使用4420张散斑图作为训练集,测试结果发现,三层卷积神经网络的识别准确率达到了88%,四层卷积神经网络的识别准确率为95%,CNN+SVM的识别准确率为98%,使用U-net对散斑进行重建后再分类的准确率达到了99%,在传统机器学习算法中SVM算法表现优异其识别准确率达到了100%,而且使用SVM直接识别散斑的方法可以在保证准确率的情况下大大减少计算时间。实验表明把传统机器学习的一些算法使用在光信号上同样可以实现多模光纤散斑图的分类,而且在光纤输入端的图像特征相对明显时,直接使用SVM算法对光纤输出散斑进行识别,可以大大提升多模光纤输出散班图的识别效率。