合金结构作为重要的承力构件,广泛应用于航空航天、轨道交通、桥梁船舶、核工业制造等领域。其在制造和长期服役过程中,受制作工艺误差、冲击和高温高压等载荷作用,易产生各种内外部损伤缺陷,引发严重的安全事故,因此迫切需要能实现缺陷定量化的检测技术。激光超声作为一种先进的非接触超声无损检测技术,广泛应用于金属构件完整性及内部损伤评价。然而,现有的激光超声检测方法主要依靠人为提取超声信号特征,进而建立信号特征与缺陷信息之间的映射关系实现缺陷检测及评价,当超声信号特征难以提取或难以建立特征与缺陷的关系时,存在检测效果差的瓶颈。因此,亟需开发一种能自动提取激光超声信号特征并实现缺陷量化评估的智能检测方法。本论文在国自然联合基金重点项目“大型航空复合材料复杂型面自适应相控阵三维聚焦成像智能检测关键技术研究”和深圳市智慧传感与系统检测重点实验室资助项目的支持下,针对铝合金近表面缺陷宽度的激光超声定量表征需求,提出了一种基于深层卷积神经网络的近表面缺陷检测新方法。首先,通过建立有限元模型模拟不同缺陷宽度的激光超声信号,然后利用小波变换对信号进行时频分析,获取带有时域和频域特征的时频谱图,最后将时频谱图输入到深层卷积神经网络模型进行缺陷宽度预测。本研究工作的创新点在于通过小波变转换激光超声信号为带有时域和频域特征的时频谱图,利用卷积神经网络实现信号特征自动提取和对缺陷宽度的高精度定量检测。主要的研究工作如下:（1）建立有限元模型获取大量不同宽度缺陷的激光超声信号。根据激光超声热弹激发原理,采用COMSOL软件建立铝合金结构激光超声非接触检测的有限元模型,获得不同缺陷宽度的激光超声模拟信号。通过对比实验信号与仿真信号,验证了有限元仿真模型的有效性,用该模型模拟产生31种不同缺陷宽度的激光超声信号,并通过添加高斯白噪声扩充成数据量为3100的数据集。（2）通过小波变换将激光超声时域信号转换为带有缺陷宽度信息的时频谱图。由于后续所用的卷积神经网络需要以图片作为输入,因此利用小波变换把激光超声时域信号转换成时频谱图。根据待测信号的波形以及小波基函数的特点,选取了db4小波变换对从有限元仿真模型得到的仿真信号进行处理,获得其时频谱图。通过分析时频谱图中像素的颜色、位置、亮度等特征,验证了激光超声信号的时频谱图中包含与其近表面缺陷宽度相关的信息。（3）利用深层卷积神经网络模型对时频谱图实现缺陷宽度的自动高精度的定量检测。基于VGG16、ResNet50和DenseNet161三种深层卷积神经网络模型的特点,建立了VRD模型来对近表面缺陷宽度进行评估。把经过db4小波变化得到的时频谱图输入到VRD模型中进行训练,通过VRD模型自动提取时频谱图的特征对缺陷宽度进行分类。通过比较VRD模型与单独训练上述三种模型的训练效果,体现了VRD模型的优越性,并根据四种模型评价指标和混淆矩阵对VRD模型的分析,验证了VRD模型对缺陷宽度分类的准确性,从而证明了本文提出的基于深度学习的缺陷检测方法的有效性和可行性。本论文提出的结合激光超声、有限元仿真、小波变换和深度学习的方法,可实现缺陷特征信号的自动提取及近表面缺陷的高精度识别。该方法不仅可以应用于近表面缺陷检测,也可拓展于其它类型缺陷的检测,从而为工程结构的服役安全提供重要技术性保障。