碳纤维复合材料（Carbon Fiber Reinforced Polymer,CFRP）具有质量轻、强度高以及耐高温等特性,在航空航天等多个领域中得到广泛应用。然而,CFRP材料在加工过程中容易产生裂痕、夹杂以及分层等结构缺陷,导致材料使用过程存在极大的安全隐患。因此,进行材料内部结构的无损检测技术研究,对保证CFRP产品质量及材料构件的可靠运行具有重要意义。脉冲红外热成像作为一种无损检测技术,具有检测速度快、检测面积大的优点,适用于CFRP材料质量的实时监测。该技术首先对材料进行瞬间加热,进而获取材料表面温度变化的动态过程,最终根据收集得到的温度信息,实现材料内部结构检测。然而,受检测设备和环境等因素影响,原始热成像数据包含较多的背景噪声,导致缺陷信号对比度较低,难以直接观测到缺陷信息。针对上述问题,本文基于CFRP材料的脉冲红外热成像数据,进行缺陷信号增强及自动检测的算法研究。具体研究内容包括:（1）基于脉冲红外热成像原理搭建缺陷检测实验平台。开展CFRP材料检测实验,以研究闪光灯个数以及闪光灯功率大小对实验结果的影响。通过对比获取到的原始热成像数据可知:闪光灯个数及闪光灯功率的提高,能够进一步增强入射光能量,从而提高缺陷信号对比度,有利于检测深层缺陷。（2）基于特征提取手段进行缺陷信号增强。提出了结合小波变换和稀疏主成分分析（Wavelet Transforming and Sparse Principal Component Analysis,WT-SPCA）的特征提取算法。该算法首先采用小波变换对原始热图像序列进行预处理,以扣除高频噪声;进一步采用稀疏主成分分析算法提取缺陷特征。实验结果表明,WT-SPCA算法能够有效扣除噪声信号,提高缺陷的可视化效果。（3）基于深度学习算法进行缺陷的自动检测。提出一种CFRP-YOLOv3网络模型。该模型延长了YOLOv3的主干特征提取网络,调整多尺度预测网络和残差单元的连接次数,并使用反卷积加强网络学习功能。同时,结合多种特征提取技术和几何变换手段进行数据集扩增,以克服学习过程的过拟合问题。通过模型训练与测试可知,CFRP-YOLOv3算法能够实现缺陷信号的自动检测。同时,相比于YOLOv3,所提出的网络结构检测精度提升7.23%,缺陷定位更加准确。