金属合金材料被广泛应用于航空、轨道交通、房屋建筑等各个领域,在加工过程中,它容易产生裂纹、孔隙等微小缺陷,这些缺陷会带来一系列安全问题,造成无法估量的损失。近年来,超声检测技术研究正逐步自动化、智能化,成为金属缺陷检测的研究热点。在超声缺陷检测中,采用超声C扫描成像技术显示其缺陷时会存在图像缺陷边缘轮廓不清晰、成像效果不好的问题,这一问题会直接降低检测的准确率。针对这一问题,开展对金属合金材料近表面微孔的超声缺陷定性识别和定量检测。超声波在传播过程中往往伴随着衍射、散射等现象,在这个过程中容易产生噪声。能量较小的缺陷信号与噪声信号无法区分,采用超声C扫成像技术对缺陷成像时,导致图像出现缺陷边缘轮廓不清晰的问题,从而影响最终检测的准确率。针对该问题提出,在对金属合金试块近表面圆形小孔A波幅值成像后,通过对得到的幅值图像基于改进的二维OTSU做阈值分割,并提取缺陷信号波。在广义交叉阈值（Generalized Cross Validation,GCV）去噪后对超声信号波进行三层小波包分解（wavelet packet decomposition method）,提取信号中的频谱能量特征,用于构造的双层径向基RBF（the radial basis function,RBF）神经网络的训练和识别效果检验。最终,该超声缺陷检测算法识别的准确率达到95%,从而证明该方法在一定程度上可以抑制C扫成像效果不好所带来的消极影响。在超声信号传播过程中,由于一次缺陷回波与表面波的距离和二次缺陷回波与一次缺陷回波的距离近似相等,且底面波与表面波的距离近似是一次缺陷回波与表面波距离的6倍。基于此先验知识,将一条完整的信号波切割为表面波、一次缺陷波、二次缺陷波以及底面波四种波形,可以通过这四种波形的相关位置信息对金属合金材料缺陷位置进行定量计算。将超声信号传播理论与RBF神经网络相结合,提出了利用四种波形来实现金属合金构件近表面微孔超声缺陷定位检测的新思路,并设计相关实验加以验证。通过对超声缺陷信号进行仿真,验证了RBF神经网络分类器对四种波形具有很好的分类识别能力。然后通过实验设备采集超声信号波,并对信号波的四种波形进行分割和提取。最后通过平行重复实验设计,利用RBF神经网络对四种声波信号进行分类识别,实验结果表明,该提方法对四种波形的识别准确率接近98%,进而实现了金属合金近表面缺陷位置的精确预测。