本文主要针对目前超声检测中缺陷性质判定困难,判定结果缺乏准确性和可靠性的问题,以铜-钢熔敷焊超声检测缺陷性质的判定为研究对象,对缺陷波形的特征参数提取、缺陷类型的可分性比较、智能化识别方法的选择及识别结果的综合评定等进行了分析和研究。采用机械加工和调整相关焊接工艺参数的方法分别制作了不同的人工缺陷对比试块和自然缺陷试样,分别采用手动超声初检、射线探伤、自动超声复检以及破坏性试验(如剪切、车削等)的方法对不同类型的缺陷波形样本进行了采集和验证。根据超声检测信号复杂多变的特征,对缺陷波形进行了信号截取和幅值归一化预处理,采用Daubechies8小波基函数对预处理后的缺陷波形进行了3层小波包分解,提取了不同类型缺陷的时域特征(波形特征Bx、波峰特征Bf)和频域特征(能量分布Ef、能量百分比E)共四个特征参量；利用欧式距离公式对时域、频域以及时频域三种不同的特征向量下缺陷类型的可分性进行了比较,选择可分性较好的时频特征向量作为缺陷识别和分类的特征值。选用人工神经网络对铜-钢熔敷焊中常见的气孔、夹渣、缩松及未熔合四种不同类型缺陷的特征值进行了训练、测试和识别。从样本及网络参数的选择等角度对神经网络的结构进行了优化设计,针对两种改进型BP学习算法Scaled Conjugate Gradient (SCG)和Levenberg-Marquardt (L-M)对缺陷性质进行识别时,网络泛化能力差、缺乏稳定性的问题,选用不同结构的BP集成神经网络对网络识别性能进行了改进,试验结果表明采用三组SCG算法BP子网络组成的集成神经网络的泛化能力得到了显著提高,对单一类型缺陷的平均识别正确率达到了95%以上,综合识别正确率达到了96.25%,满足了铜-钢熔敷焊超声检测缺陷性质的识别要求。在Matlab Graphical User Interface (GUI)基础上编写了铜-钢熔敷焊超声检测智能分析系统,该系统主要由数据处理、数据管理和智能识别三大模块组成,利用该分析系统实现了铜-钢熔敷焊超声检测缺陷的波形数据预处理分析、缺陷特征信息库的查询与管理以及缺陷性质的离线智能识别功能。在此基础上,结合自动超声C扫检测初步实现了铜-钢熔敷焊超声检测缺陷的智能化定性与定量分析。