涡流检测是重要的无损检测方法之一,无需耦合剂,不仅检测速度快、而且成本低,同时较易实现检测自动化,因此是检测各种金属材料,以及少部分石墨、碳纤维复合材料等非金属导电材料特性及其产品质量的主要技术之一。目前基于涡流检测技术识别材料缺陷的研究,大部分是首先提取涡流检测信号的时域或频域特征,然后选择适当的数据处理方法及识别分类算法从而达到准确检测材料缺陷的目的。然而,因为检测对象、检测方法以及涡流检测传感器系统的不同,数据处理及缺陷识别算法也需根据不同的数据特征进行调整,导致识别缺陷过程复杂、计算耗费大,无法自动识别,且不具有普遍适用性。针对研究中出现的上述问题,本文提出了一种基于聚类算法、解析模型以及机器学习的涡流检测缺陷识别研究,实现了较低计算复杂度、高效率及更具有普遍适用性的缺陷识别目的。论文的主要研究工作如下:研究了阻抗信号变化轨迹形成的图形特征,并给出了一种新的解析模型描述该轨迹图形,作为进一步研究阻抗信号与缺陷识别的基础。在涡流检测过程中,材料缺陷处阻抗信号的变化轨迹在复平面上呈现为利萨如图形。本文提出了一种新的解析模型来描述上述利萨如图形,通过调整解析模型的相关参数,能够得到大量接近实际实验数据的人工数据集,解决了在有限条件下缺乏数据量的问题。研究了利萨如图形的几何特征,并提出了一种适用于利萨如图形的基于K-means算法的几何特征提取的新方法。为得到利萨如图形的几何特征(幅值、宽度、角度和对称性),结合K-means算法具有简单易实现及海量数据高效处理的优势,提出了基于K-means算法的提取几何特征的新方法,并定义了利萨如图形的4个特征值,解决了传统的频域和时域特征提取方法缺乏普遍适用性的问题。基于上述利萨如图形的分析和特征提取方法,采用了5种机器学习算法对钢板缺陷进行识别。利用实验数据和仿真数据分别训练了分类树、判别分析法、朴素贝叶斯、K近邻算法及支持向量机5种分类模型。实验结果得到较高缺陷识别率,证明了本文所提出的基于K-means算法几何特征提取方法效果较好,且构建的解析模型具有很强的灵活性和鲁棒性。本文提出并验证了利萨如图形的解析模型、基于K-means算法几何特征提取算法及5种机器学习算法在涡流检测钢铁结构缺陷应用中的有效性,为涡流检测缺陷识别提供了新的研究方法。