临床医疗的快速发展,也使得输液类的药类产品得到广泛应用。但是,在生产过程中容易被杂质污染而且难以发现带来安全隐患,国家标准强制性要求每瓶(袋)输液产品必须进行灯检。截至目前,人工灯检仍是这类灯检的主要方式,劳动强度大、检测质量不稳定是这种方法的主要缺点。机器视觉检测技术能够有效的解决传统检测方法的缺陷,通过设计能够自动化的对输液中存在的异物进行快速有效的检出,长期使用更能降低生产成本,是如今的检测领域里的首选方法.首先,本文简要介绍了本课题的探究背景和意义,总结了药液视觉检测的国内外研究发展历程。在基于本课题的实验载体的特点上,由于光学系统的有限景深问题,大容量包装会导致包装软袋内的可能存在的杂质的运动至相机的景深范围外,在图像上就会呈现模糊的状态,尤其是微小异物,模糊信息会影响检测的准确性。本文采用多焦面图像融合的方法来达到大景深的效果,充分调研了图像融合的相关理论和技术,介绍了基于空域和变换域的一些图像融合方法以及最近新流行的基于神经网络的融合算法。然后,本文搭建了一个基于双相机来拍摄多焦面的图像的实验成像系统。并提出一种基于卷积神经网络的图像融合方法,通过将融合视为一种二分类问题,利用并设计孪生网络模型,并利用高斯模糊来模拟失焦图像创造多焦面图像数据集对模型进行训练,并通过对全连接层的卷积化处理,用于在测试和实际应用中的对不同尺寸多焦面图像对的融合处理。对预训练之后的CNN模型进行测试,并通过对不同融合方法的主观和客观评价的对比,能够实现较好的融合效果,达到了大景深的效果。最后,得到了大景深效果的序列融合图像之后,经过对于图像的差分、增强、去噪等预处理之后,得到疑似运动目标区域,并提取其形状、灰度等图像特征,构建特征向量,使用AdaBoost分类器对这些疑似目标进行分类的检测识别,对分类器相关性质进行了实验探究,并对分类算法参数进行寻优,经过对比,得到最终的分类准确率为96%,并对AdaBoost分类准确率的影响因素进行了分析。