可视化涡流检测技术是一种非接触式、检测速度快、灵敏度高,极具发展前景的无损检测技术。该无损检测技术可用于航空航天、电力系统、机械制造等领域中导电材料、复合材料的损伤检测。然而,目前的可视化涡流检测技术采集的信号背景干扰强,缺陷特征不直观,待分析数据量大,对检测人员的专业素养、工作时长等都提出了很高的要求。现有的可视化涡流检测信号特征提取方法仍然存在分析效率低,准确度无法满足实际需求,智能化程度不够等问题。针对以上问题,本文从快速性,准确性,自动化检测等方面对可视化涡流检测技术信号处理方法进行了深入研究。本文的主要研究内容和创新点如下:(1)深入分析一种典型可视化涡流检测技术——脉冲涡流红外热成像技术中的热图像序列特征,提出一种快速脉冲涡流红外热图像特征提取算法,提高图像特征提取效率。该特征提取方法结合独立成分分析算法中混叠向量的物理含义,搜索可代替混叠向量的热响应特征。再利用热响应特征强化提取原始红外热图像序列的主要特征。该算法的具体实现包括降低计算量的数据块分割、变量区间搜索、基于相关度距离的分类和类间距离决策函数的设计。实验结果表明,快速特征提取算法可提高缺陷特征提取的效率。(2)针对脉冲涡流红外热成像缺陷检测技术中,缺陷特征提取准确度不够的问题,利用局部稀疏性和图像融合改进了红外热图像缺陷特征提取算法,提高了缺陷特征提取准确度。该算法利用局部稀疏和低秩特性对缺陷特征和背景区域进行分离,在抑制背景信息的同时,保留更为完整的缺陷特征。通过加权平均法融合多帧热图像缺陷特征提取结果。和其他两类常用脉冲涡流红外热图像特征提取算法相比,该算法可以得到更加完整的缺陷特征,提高缺陷的检测精度。(3)结合脉冲涡流红外热成像技术中,图像数据在不同热阶段中的物理特征,进一步改进基于局部稀疏性的特征提取算法。通过不同热阶段数据分离,实现了缺陷特征的准确提取。具体实现过程包括:将获取的红外热图像序列划分为不同的热阶段数据,分别对其进行局部稀疏特征提取;利用定义的二次融合准则融合不同阶段的缺陷特征,完成缺陷特征的整合。实验结果表明,分段后的局部稀疏特征提取可以更好地保留缺陷不同阶段的热特征并抑制背景干扰。(4)现有的自动化涡流检测系统准确度、可靠性亟需进一度加强。本文结合可以自动学习原始数据特征并将其分类的深度学习模型——卷积神经网络(CNN)构造自动化缺陷检测系统。并结合缺陷数据特征定义ROI(region of interest)和加权误差函数对该模型进行了改进。除此以外,通过估计卷积神经网络的模型不确定度,对其输出的缺陷检测结果提供一个信心值,为缺陷的进一步判定提供参考意见。增强了自动化检测系统的自动化程度和可靠性。