相控阵超声检测（Phased Array Ultrasonic Testing,PAUT）具有声束可设计性强、声场覆盖范围大、检测灵敏度高等特点,已成为工业领域无损检测技术应用热点。PAUT检测结果以二维图像形式呈现,虽然直观,但图像内容和缺陷类型、尺寸等信息之间具有复杂相关关系,采用人工方式分析不但效率低,且易受检测人员主观因素的影响,难以保证缺陷识别结果的准确性和可靠性。基于神经网络算法的机器视觉技术在交通、遥感和医疗等领域的图像分析中已展示良好应用效果,本文针对相控阵超声图像特点,采用基于多种卷积神经网络的机器视觉方法,针对相控阵超声图像中易混淆样本图像分类和模糊边缘小目标语义分割等问题进行算法优化,实现对典型的体积性和面积型缺陷的定性和定量。研究内容及主要结果如下:（1）为建立规模足以支撑神经网络训练和测试的数据集,共采集22幅碳钢平板试件PAUT图像和33幅BOSS焊缝PAUT图像,缺陷类型为气孔和裂纹,裂纹长度为1 mm、2 mm、3 mm和5 mm,气孔直径为1 mm、2 mm和3 mm,缺陷深度在5 mm～50 mm范围。从这些图像中截取有效的局部图像,使用平移、旋转、镜像等方法进行数据增强,最终建立了包含共10370个样本的缺陷分类数据集及包含7686个样本的缺陷特征还原数据集;（2）为准确区分PAUT图像中的缺陷,建立以LeNet为主体的图像分类算法,该算法可以较准确地区分碳钢平板试件PAUT图像中的缺陷,但对于较复杂的BOSS焊缝PAUT图像分类效果不佳。在平衡各类样本比例并改用特征提取能力更强的VGG16为算法主体后,BOSS焊缝PAUT图像中的缺陷分类准确率大幅提高;（3）针对相控阵超声图像中缺陷目标小,边缘模糊的特点,结合注意力机制及Focal Loss改进U-Net语义分割算法,该方法可对碳钢平板试件和BOSS焊缝试件的相控阵超声检测图像进行较准确的语义分割。并且,该算法在保证语义分割准确率的前提下,具有较高的运算效率;（4）结合基于LeNet和VGG16的缺陷分类算法以及改进U-Net缺陷特征还原算法,使用滑动窗口对PAUT图像逐区域进行图像分类和语义分割,直观呈现图像中缺陷的类别、位置、尺寸和取向等信息。该方法可识别并正确分类碳钢平板试件PAUT图像中全部24个缺陷,对BOSS焊缝PAUT图像中33个缺陷的识别正确率为72.72%。根据图像识别结果进一步对缺陷进行定位和定量,深度定量最大误差为10.67%,尺寸定量最大误差为11.00%。