背景纹影技术（Background Oriented Schlieren,BOS）是一种通过测量流场密度来进行流动显示的技术。BOS技术仅需要将相机与背景图像安装在待测流场的两侧,即可实现对待测流场的非接触式测量,具有装置结构简单、视场范围大、抗流场震动等干扰能力强的优点。如果在待测区外从不同角度安装多个相机,将BOS技术与CT技术结合,即可实现对待测流场的瞬态三维CT重建,为风洞实验中密度参量的定量测量提供了一种有效的技术手段。CT-BOS技术正逐步成为复杂流场流动显示与定量测量的研究热点技术之一。在由多方向的BOS偏移量投影通过CT算法进行流场重建之前,需要对风洞实验环境中的多相机标定,获得各相机的位姿参数,是决定CT-BOS重建可靠性的关键一步。然而,由于BOS技术在进行背景偏移量提取时,需要将相机聚焦在背景上,从而造成重建区域实际处于相机离焦的状态,进而产生了标定图像模糊的问题,严重影响了多相机标定结果的可靠性。针对上述问题,本文主要进行了以下研究:首先,为了提高标定图像处理的效率,进行了标定图像自适应定位算法的研究。依靠所采用的标定图像同心圆环的定位特征,通过深度学习的方法,设计了特征提取层、特征判别层和选区微调结构,实现了对标定图像上同心圆环的自动识别。通过本文设计的卷积神经网络（Convolutional Neural Networks,CNN）,对不同角度和模糊度的标定板图像进行了同心圆环识别,实验结果表明,相比于已有的嵌套轮廓识别（Nested Contour Recognition,NCR）算法,本文算法的识别准确率从37.14%提高至88.57%,有效的提高了模糊标定图像和大倾角标定图像的识别准确率。其次,在通过前述算法确定标定区域的基础上,对模糊的棋盘格标定图像进行了模糊图像复原的研究。在分析现有去模糊算法的基础上,根据BOS标定图像的特点,提出了自适应刃边法,提高了刃边区域选择的准确性和模糊标定图像处理的效率。同时,本文从深度学习的角度分析了标定图像去模糊的问题,分别采用CNN、VDSR（Very-Deep Super-Resolution）网络对标定图像进行了复原。另一方面,将对抗网络（Generative Adversarial Network,GAN）与VDSR网络结合,设计了VDSR-GAN网络,通过判别网络进一步提升了VDSR网络的去模糊效果。实验分析表明VDSR-GAN网络与文中所提其它算法相比,恢复的标定图像特征最为明显,去模糊效果最好。最后,进行了单相机标定实验,多相机标定实验和风洞试验段内的标定实验,分别对比了图像去模糊前后的标定结果。实验数据表明,本文的标定图像定位与去模糊算法可有效提高BOS实验中模糊标定图像的标定效率和精度。