工业零件在应力或环境的影响下很可能出现微小的裂纹,裂纹是一种非常常见的损伤,在二维空间中表现为线型缺陷,在三维空间中表现为面状缺陷。裂纹的存在将严重影响到工件工作的稳定性,缩短工件的寿命,甚至引起工件断裂,因此,工业零件内的裂纹等缺陷检测是非常有必要的。工业计算机层析成像（Industrial Computed Tomography,ICT）技术已发展为工业零部件内部结构、损伤检测的重要技术手段,已被广泛应用于各领域。从断层图像中稳定、正确地提取裂纹结构是裂纹精确测量、分析和评价的前提。然而,由于CT系统自身的成像特性,CT系统的成像结果中可能包含噪声伪影等干扰,对裂纹分割带来了极大的困扰。本文以工业CT中典型的车轮CT图像与岩心CT图像为研究对象,在分析现有分割算法的基础上,展开了以下工作:第一,提出基于Frangi滤波器和支持向量机（Support Vector Machine,SVM）的CT图像裂纹分割方法。针对裂纹区域狭窄对比度低,而非裂纹区域包含大量噪声、伪影等干扰的情况,本方法使用Frangi滤波器提高图中线状结构的对比度,再使用SVM算法缩小感兴趣区域,通过屏蔽图中非裂纹区域的方式提升算法的正确性与健壮性,并通过实验对算法进行验证。第二,通过分析研究图像中裂纹、伪影与噪声的特点,提出基于线状特征增强的CT图像裂纹分割方法,该方法的核心为通过提出的TV-Frangi增强算法提高图像质量,降低提取裂纹结构的难度,提高算法分割的准确性。通过与自适应阈值分割方法、水平集分割方法、数学形态学分割方法进行对比,对本算法的鲁棒性与正确性进行验证。第三,结合语义分割与研究对象的特点,在现有的UNet模型基础上进行改进,提出融合注意力门控的残差UNet实现CT图像裂纹分割的方法。为了提高模型训练与预测的精度,首先使用TV-Frangi算法提高数据集图像的质量,再用图像中工件区域的灰度均值填充背景区域像素;最后使用残差块与注意力门控对UNet网络进行改进,以增强网络提取有效特征的能力与分割正确性,并通过实验对方法进行验证。为实现CT图像中裂纹结构的分割,研究提出了三种不同的解决方法,三种方法具有不同的优缺点,适用于不同的应用需求。