超声无损检测是五种常用无损检测方法之一,目前已在工业领域得到了较为广泛的应用。本文结合小波包变换(WPT)和经验模态分解(EMD)在分析非平稳信号的优点,基于核主成分分析方法(KPCA)在处理非高斯分布的数据,以及去除与样本分类不相关和冗余的特征信息的优势,改进的粒子群优化算法能够有效地收敛到全局最优解的优点以及支持向量机能够很好地解决小样本、非线性、高维数和局部极小点等实际问题的优越性,提出了一种超声波检测缺陷深度的模式识别方法。本文对超声波检测腐蚀缺陷深度大小的分类识别方法进行了研究,主要的工作如下:首先,介绍了超声波无损检测的基本理论。重点介绍了超声波场及介质的声参量、超声波垂直入射平面的透射和反射、超声波检测方法、缺陷信号显示方法和缺陷的定量、定位和定性分析等方面进行了探讨分析,为后续的超声波检检测缺陷的实验实现作了理论准备。其次,主要结合小波包变换(WPT)和经验模态分解(EMD)在分析非线性非平稳信号的优势以及基于核的主成分分析(KPCA)在处理非高斯分布的数据,以及去除与样本分类不相关和冗余的特征信息的优势,实现了对缺陷超声检测信号特征的提取和优化。通过实验表明,通过小波包变换(WPT)和经验模态分解(EMD)分解后对各级信号中提取的联合特征虽然能够较为全面表征缺陷信号,但是其中含有一些冗余特征,且与样本分类不相关,增加了分类器的计算的复杂度,而且降低了分类器的准确率。采用了基于核的主成分分析的特征优化方法能够有效地克服选择特征的盲目性,从联合特征组消除了冗余的特征信息,在数据空间中找到一组能够解释数据方差的特殊向量矩阵,进而减少了分类器计算的复杂度,使其分类的准确率和检测效率得到有效地提高。再次,引入了支持向量机算法和改进后的粒子群优化算法。首先介绍了统计学理论的中VC理论和结构风险最小化原则;描述了支持向量机的最优分类面、线性学习机以及SVM的非线性映射,并对支持向量机模型选择进行了相关的介绍。进一步,在标准的粒子群算法的基础上,提出了改进的粒子群算法(IPSO)。最后,基于IPSO-SVM模型深度缺陷分类识别的流程,主要包括缺陷深度信号数据的采集和处理、基于经验模态分解(EMD)和小波包变换(WPT)对缺陷信号数据进行特征提取、基于核主成分分析方法对提取的原始特征进行进一步的优化、基于改进的粒子群算法对支持向量算法的核函数的参数γ和惩罚因子C、基于支持向量机算法利用改进的粒子群算法优化后的参数实现对缺陷深度信号的分类识别这6个步骤;然后介绍了缺陷检测的实验系统设计、实验系统工作原理以及实验系统中的硬件介绍。将通过实验获取的深度缺陷信号,进行零均值处理和趋势项去除,通过小波包变换(WPT)和经验模态分解(EMD)得到84个联合时域无量纲统计特征,并通过核主成分方法进行优化。将优化后的样本和未经优化的样本,分别基于GA-SVM、PSO-SVM和IPSO-SVM进行缺陷深度的分类识别,通过实验结果对比得出,经过核主成分分析方法(KPCA)优化后的特征值比未经优化的原始特征值能够有效地表征样本,使用优化的样本进行分类比未经优化的样本分类正确率较高,以及基于改进粒子群优化支持向量机模型(IPSO-SVM)在对不同深度的缺陷的分类上,比基于遗传算法优化的支持向量机模型(GA-SVM)和基于标准的粒子群优化的支持向量机模型具有较高的分类正确率,用改进后的粒子群算法优化支持向量机明显地提升了分类器的分类能力和泛化能力,是一种有效的优化支持向量机参数的方法,IPSO-SVM分类器模型适用于不同深度缺陷的分类。实验结果表明,本文提出的超声检测缺陷深度模式识别方法是可行有效的,可以应用于缺陷深度的模式识别。