当今制造业中焊接是最重要的一种加工手段。随着焊接的产品数量急剧增加以及产品结构也越来越复杂,焊接质量的好坏受到人们越来越多的关注。而如气孔、裂纹等焊缝缺陷会严重影响产品的使用寿命。因此,对焊接产品进行缺陷检测具有重大的意义和价值。然而,由于焊缝缺陷的尺度不一和背景干扰,表面缺陷在强度和形状上与背景重叠,实现焊缝缺陷检测的自动化仍然是一个挑战。此外,在工业焊接领域,由于数据的多样性、响应时间和计算能力有限,工业生产任务仍然面临巨大挑战。近年来,随着计算机视觉技术的飞速发展,深度学习为在图像上自动识别目标的研究打开了新的思路,促使人们尝试将其应用于工业检测中。但是,目前深度学习在X射线焊缝图像上的应用还比较少。因此,本文基于深度学习方法对X射线焊缝图像在工业场景下的缺陷检测展开研究。本文的研究内容和贡献如下:（1）针对焊缝检测任务中存在缺陷长宽比悬殊且特征不确定性的问题,本文提出一种端到端的注意力引导感知的深度学习焊缝检测模型。首先,提出了一种新颖的并行残差注意力模块,在通道和空间维度上充分利用全局平均池化和全局最大池化来捕获全局特征,自适应的选择缺陷特征,显著提升了网络模型的特征表达能力。其次,利用并行残差注意力模块指导锚框自学习图像特征,预测锚框的位置和形状,围绕缺陷区域自适应生成非均匀分布的感兴趣区域。通过定性的分析和定量的对比,证明了模型的有效性,满足了对焊缝缺陷的高精度检测。（2）针对背景干扰以及焊缝缺陷特征的复杂,焊缝缺陷无法精准定位的问题,本文提出了一个以级联方式紧密连接的焊缝分割模型。由膨胀卷积组成的初始模块用于提取输入图像特征的多层信息。注意力引导特征融合模块指导多尺度特征融合,抑制复杂背景的噪声特征,大大增强了模型对焊缝缺陷的判别能力。细化卷积特征模块融合了低层信息和高层信息以细化分割结果。实验结果表明在焊缝数据集图像上,本文方法对于解决复杂背景干扰下的焊缝缺陷分割问题非常有效,并且可以准确地定位焊缝缺陷。