超声检测技术主要用于航空航天、高精密加工等领域的无损检测。其核心部分之一是缺陷识别，即采集到反射回波后，如何识别出是不是有缺陷，是何种缺陷等。特征的提取和特征向量的建立，是缺陷识别的关键和难点所在。目前的特征提取方法，总是无法脱离人为因素的影响，提取出的特征无法客观体现信号的特性，直接影响到了最后的识别准确率。　　为了解决以上问题，文章提出了利用主分量分析人工神经网络来提取特征值，而且可以保证提取出的特征能够有效得代表原数据特性，根据这些特征建立标准类型信号的特征向量。这样既压缩了数据，降低了计算复杂度，而且还不会因为压缩而丢失原有信号的特性。　　文章首先对超声检测系统的整体框架和缺陷识别原理进行了系统分析，在此基础上，设计了缺陷识别子系统；然后对目前使用和主要研究的特征定义方法进行分析，指出其缺陷所在，并介绍了一种图像处理领域的特征提取方法：主分量分析；在建立了特征向量后，利用K-邻近分类方法进行信号分类识别，得到识别结果；通过主分量分析方法和目前两种特征提取方法进行对比，确认了其有更好的识别率和误报率；最后实现了缺陷识别子系统，对系统进行了功能测试并取得了良好的效果。