涡流检测是一种广泛用于金属材料缺陷检测的无损检测技术,它具有对表面裂纹缺陷较为敏感、检测速度快、易于实现自动化等优势。基于涡流检测的导电结构关键部件缺陷定量检测已成为目前无损检测领域的研究热点。在分析了国内外涡流定量无损检测技术研究现状的基础上,本文对涡流检测自然裂纹所涉及的线圈与导体及裂纹作用响应的计算建模、检测信号处理、裂纹形状重构等若干关键技术进行了研究,这对涡流定量检测技术的发展具有重要的学术价值和实际意义。论文研究内容得到广东省科技攻关计划项目(20068124010011资助,论文主要研究成果包括： (1)从Maxwell方程组出发,引入矢量磁位,采用解空间截取和变量分离的涡流检测缺陷响应计算方法,将美国学者Dodd Deeds等人推出的位于半无限大2层导电平板结构上方及环绕两层无限长导电杆的通电线圈响应计算公式进行了推广,导出了位于N层有限区域导电平板结构上方及置于多层有限长度空心圆柱导体内部的线圈响应计算公式,并用易于计算的级数解代替积分解,拓宽了经典响应计算公式的应用范围。 (2)针对矩形槽等人工理想裂纹与真实裂纹差别较大(理想裂纹的研究结果难以有效指导实际)的问题,采用解空间截取计算方法,推导出位于有限区域半无限大导电结构表面裂纹上方通电线圈响应计算公式；建立了通电线圈与自然裂纹作用响应的通用解析计算模型；以模拟自然环境制作的疲劳裂纹和应力腐蚀裂纹作为研究对象,构建了自然裂纹涡流检测与重构实验系统；提出了综合疲劳裂纹与应力腐蚀裂纹的新型裂纹模型,裂纹形状重构结果表明该模型准确,能比传统模型有效减少重构误差。 针对自然裂纹涡流检测信号不仅包含缺陷信号,同时也叠加了探头提离噪声及环境噪声,因而分析困难的问题,研究一种基于小波分析的自适应信号去噪方法,根据裂纹种类及所采集的含噪信号波形特征,采用多步去噪,逐步接近真实缺陷信号；采用实验方法对各种探头检测自然裂纹的能力进行了评价；研究了区分疲劳裂纹与应力腐蚀裂纹的实验方法。采用概率神经网络方法根据信号特征识别裂纹种类,研究出一种利用组合神经网络预测裂纹长度及最大深度的方法,同时提出一种能够有效识别裂纹内部复杂分支结构的策略。 (3)针对传统裂纹形状反演方法中存在数值正向模型计算花费大,反演算法易早熟、重构精度不高等问题,提出采用神经网络作为正向模型,新颖智能优化算法进行迭代反演的裂纹形状重构策略。重点研究了神经网络正向模型、遗传算法、粒子群算法及蚁群算法在自然裂纹形状重构中的实现以及提高算法收敛性和反演精度的策略。裂纹形状重构结果表明,神经网络正向模型与新颖智能优化算法相结合的重构算法可快速(只需数秒或数十秒CPU时间)完成对一个复杂自然裂纹的形状重构,并具有精度高、功能可扩展的优点。