钢铁材料广泛应用于人们的日常生活中,它在航天、运输、存储、建造等方面扮演着重要的角色。但是由于多方面原因,我国的钢材设施面临着老化、腐蚀、磨损等问题,不及时处理会发生很严重的事故,造成严重的社会和经济负面效果,更会严重的污染和破坏生态环境。因此,提前做好这些设施的检测和损坏评估是有重要意义的。涡流检测技术是当前无损检测技术的热点,是无损检测的一种。而在漏磁内检测流程中,缺陷反演是其最后一环,来判断缺陷的存在和标定缺陷的大小属性。本文在多种智能方法的基础上,设计了缺陷反演的方法。本文通过研究RBF神经网络的结构与运算方式,讨论了其传递函数、散步常数、聚类中心对其模型生成的影响,设计了基于它的反演算法模型;通过缺陷数据样本的训练测试,与常规BP网络的对比测试以及检测工况数据变动时的异常测试,分析了RBF神经网络在缺陷反演中的应用特点和适用性。通过研究支持向量机的概念和结构,讨论了其核函数、惩罚因子对模型结果的影响,设计了基于它的反演算法模型;通过与BP网络的对比结果,缺陷数据样本数量变化的测试结果与工况异常后的模型测试结果,讨论了支持向量机模型的应用到缺陷反演时的特点和稳定性。通过研究随机森林的发展与概念,讨论了其子树参数与树的数量对生成模型的影响,设计了基于它的反演算法模型;通过其与回归树的缺陷反演对比测试,缺陷数据样本抽取测试与检测现场干扰的模型测试,分析了随机森林在缺陷反演中的适用性和稳定性。通过研究Adaboost发展及思想,设计了 RBF网络和支持向量机的改进模型RBF_Adaboost和SVM_Adaboost模型,通过与RBF模型和支持向量机模型的对比训练结果与异常数据的反演结果,证明了其更稳定,更精确。最后本文通过对比得出随机森林反演适用各种要求比较低的情况,Adaboost增强算法适用于精度要求高而且时间充裕的情况等结论。