焊缝缺陷的识别是检测焊件质量的关键环节，有效地检测出焊缝缺陷保证焊缝的质量，对于安全生产具有十分重大的意义。传统的缺陷检测，主要依靠人工评片，该方法主观性强，受检测人员的专业素质影响较大，自动化水平低，易产生较多的误判和漏判；随着计算机技术以及电子技术的迅速发展，使得基于图像处理的计算机辅助评片技术成为可能，计算机评片技术则大大减轻了评片人员的工作量，提高了工作效率，使评片过程更加科学和规范,但是，由于焊缝图像在输入计算机时噪声过多、缺陷边缘模糊和对比度低等缺点，给缺陷信息的正确提取、分割和识别带来了很大的困难。　　研究以埋弧焊焊缝的X射线检测图像为对象，针对焊缝区域中可能存在的气孔、裂纹等缺陷，通过图像处理、特征提取和神经网络识别完成了焊缝缺陷识别。首先，通过图像去噪、图像增强、图像分割和图像边缘检测算法在整幅图像中找到焊缝边界。其次通过分析行列灰度曲线的分布情况对焊缝缺陷的位置进行定位。再次，采用7类几何特征和形状特征对缺陷进行描述，建立相应的特征描述向量，并采用主成分分析（Principal Component Analysis,PCA）和核主成分分析（Kernel Principal Component Analysis，KPCA）方法对其进行主元分析。最后，分别以原始数据和得到的主元特征量为系统输入，针对气孔和裂纹2类缺陷,研究了基于神经网络的焊缝缺陷识别算法。研究表明，对特征选择后的数据利用主成分分析和核主成分分析进行特征提取，可将数据投影到一个更低维的特征空间，实现分类器性能的提高。仿真结果，在对数据进行特征提取的能力上，核主成分分析提取的主元比主成分分析提取的主元减少1个，显示核主成分分析优于主成分分析；在对焊缝缺陷识别的效果上，RBF神经网络的分类正确率比BP神经网络高于0.72个百分点，显示RBF神经网络优于BP神经网络。