在焊接生产过程中,受各种焊接参数及外部环境的影响,在焊缝中容易形成不同程度和数量的焊接缺陷,而基于人工X射线图像缺陷检测识别方法在效率和准确率方面均有待提高。本文基于管材焊缝的X射线图像,对焊缝缺陷的自动检测和识别方法进行研究,旨在利用深度学习方法实现更优识别指标的焊缝缺陷识别,从而提高焊缝缺陷识别准确率并使其更加高效、规范与智能化。在缺陷检测过程中,针对管焊缝X射线图像,对其使用中值滤波技术去除噪声、使用图像增强技术增加焊缝中不同区域的对比度以提高后续图像处理中不同对比度对焊缝缺陷检测的影响,利用最大类间方差法分割出焊缝区域,采用Sobel边缘检测技术对焊缝缺陷边缘进行检测。针对对于缺陷特征工程中的图像面积测算问题,采用链码追踪和像素统计方法有效的解决了圆形缺陷的面积测算,并利用十字坐标定位方法对其进行定位。对气孔、裂纹、未融合、未焊透缺陷和无缺陷正常图像进行提取并进行数据增强及尺寸归一化操作,从而完成焊缝图像的预处理以构建样本图像数据集。在缺陷识别过程中,采用深度学习技术对焊缝图像缺陷进行识别。首先分析了常规卷积神经网络模型中存在的一些问题,并在模型中采用了改进的激活函数及综合考虑池化域的自适应池化方法,将其应用于焊缝缺陷图像的识别任务中。通过构建新的卷积神经网络模型并以样本图像数据集作为输入样本训练CNN模型,经过对比实验测试得到所设计的CNN模型不仅具有较好的鲁棒性,能够对图像缺陷进行准确识别,且省去了人工提取特征的繁杂性,最终实现了98.13%的高识别准确率,从而提高检测识别的自动化程度。针对深度神经网络模型在焊缝探伤图像数据集上的识别问题,提出了基于卷积神经网络的迁移学习方法。借助大数据集上的预训练模型,根据源数据域与目标数据域中内容的差异性,采用域间异构迁移学习将源数据域中的预训练模型迁移至焊缝探伤图像数据集上,通过利用冻结层方法训练不同层的参数,微调整个网络,验证了迁移学习在焊缝探伤图像缺陷识别方面的有效性,并研究了冻结不同层对模型的识别性能的影响。