目前我国钢铁工业迅猛发展，钢铁件的质量好坏对钢产品的加工质量、使用寿命和可靠性等方面起着至关重要的作用。在电磁无损检测领域，现存的钢铁分选仪器对各种钢铁材料的性能指标检测已经取得了较好的效果。然而，在某些钢铁件的裂纹检测方面仍然存在检测质量差、检测效率低的问题，其原因是选择的芯片比较落后，算法不理想，所以急需对现存不理想仪器进行改进，设计新型钢铁件裂纹电磁无损检测系统，提高裂纹检测的精度和速度。 本文针对快速电磁无损检测技术，选择反向传播算法和FPGA相结合，利用32位高性能处理器NiosⅡ和先进的SOPC解决方案，以及反向传播神经网络的并行处理和分布式存储能力，实现了具有裂纹检测功能的钢件缺陷识别系统。 本文使用初始磁导率法对被检测钢件进行性能指标特征信号提取，通过钢铁分选仪对所提取到的信号量进行去噪处理，得到所需的有用信息，再把得到的特征量经过所建立的神经网络模型进行数据处理，根据判断规则，得出正确的输出结果。在神经网络模型建立过程中，本文对神经网络的设计、参数的选择、样本的选择和处理、初始权值以及转移函数的选择进行了细致的分析，针对现有BP算法的不足进行了改进，并与标准的神经网络进行了性能对比分析，最后用Altera公司独有的C2H加速编译器对该算法进行硬化。 通过钢铁件样品的测试验证，本文所设计的新型钢铁件裂纹电磁无损检测系统实现了对钢铁材质裂纹的准确识别，并且系统稳定性好，效率高，较常规电磁无损检测方法有很大的优势，在钢铁件质量检测中具有较高的推广价值。