大天区面积多目标光纤光谱望远镜(Large Sky Area Multi-Object Fiber Spectroscopic Telescope,LAMOST)是我国天文领域中的大型科研设备。由于在LAMOST系统当中使用了大量的光纤以及光纤定位单元的开环设计,使得高精度光纤定位成为LAMOST系统进行高效光谱采集效率的关键问题。本文提出一种基于深度学习和多芯光纤束的光纤定位检测技术方案,用以实现LAMOST系统光纤的精确定位。此方案由两个关键部分组成:一是基于多芯光纤束的光纤定位检测。首先使用多芯光纤束代替传输光纤,多芯光纤束是在传输光纤周围集成了 12根纤芯较小可用于提供光纤定位检测反馈信息的位置引导光纤,再控制光纤探头走位,使星斑按照固定方式在探头端面进行扫描,对探头位置引导光纤尾纤的出射图像进行CCD相机采集,并建立星斑图像数据集;二是对星斑图像数据集处理方法。本文提出模板匹配方案以及深度学习方案对星斑图像进行分析和处理,构建了星斑图像及其对应位置信息间的映射关系模型。本文首先搭建基于多芯光纤束的光纤定位检测实验系统,并采集和整理星斑图像数据集。再通过模板匹配方案对星斑图像进行处理和分析,即通过图像处理方法提取训练数据集中星斑图像的特征信息,并利用星斑图像的特征信息建立星斑图像与其对应位置信息间映射关系匹配模板,测试时通过匹配模板对测试数据集进行位置检测,其最大检测误差为25 μm,该方案的检测结果符合LAMOST光纤定位所要求的检测误差,验证了基于多芯光纤束的光纤定位精度检测方案的可行性。接着基于AlexNet、Vgg以及改进后的ResNet50三种卷积神经网络,建立用以挖掘和学习图像与其对应星斑中心与探头中心偏移量的映射关系的神经网络模型,并进行了训练参数的优化。实验表明,当学习率为0.0001,迭代次数为80次,优化函数为RMSprop时,改进后ResNet50模型的训练结果最优,其对测试数据检测误差的均方误差值达到最小0.01μm,对测试星斑图像数据集的最大检测误差为3.6 μm,该模型的对星斑图型的预测结果精度远高于现阶段LAMOST系统光纤定位的40 μm检测误差。