油气管道在服役过程中不可避免会发生塑性变形,造成塑性损伤的实质是管道在变形过程中的微观结构变化。考虑到服役环境的限制,为了定量表征材料微观结构的变化,本文开发了一种基于神经网络的超声检测技术。以B+F双相X80管线钢为研究对象,通过检测实验和神经网络建模,本文研究了不同拉伸变形量试样的微观结构的超声表征可行性。本文的主要工作如下:（1）对不同拉伸变形量的试样进行超声纵波检测和金相观测,采集回波信号和微观组织图片。本文基于变分模态分解VMD和离散傅里叶变换DFT对信号进行去噪,计算了回波信号的波速和相对衰减系数,分析了这两个信号特征量与试样变形量的关系。随着试样变形量的增加,波速不断增加而衰减不断变小,两者与变形量的数学关系近似符合三次多项式,为建立超声信号和微观特征的映射关系奠定基础。（2）以变形量为分类标签,基于卷积神经网络CNN和支持向量机SVM实现X80钢微观结构的特征提取。借助自定义CNN提取预处理后的金相图片的微观特征,利用这些微观特征训练并测试SVM模型,计算SVM对微观特征识别结果的准确率、混淆矩阵及精确度、灵敏度、特异度和F1得分,进而评估卷积网络对不同变形量试样的微观结构特征提取的有效性。结果表明,本文提出的CNN模型对于六种变形量试样的金相图片都能提取出高质量的微观特征,能够很好地处理95%以上的样本。利用所有试样的微观特征构建新的SVM模型,用于评估微观结构超声表征的效果。（3）基于广义回归神经网络GRNN建立超声信号和微观结构特征的映射关系,实现了X80钢微观结构的超声定量表征。利用超声信号和微观结构特征训练并测试GRNN,计算GRNN输出值和参考值的相似度,通过新的SVM模型对超声表征的微观特征进行识别,计算SVM识别结果的准确率、混淆矩阵和相关指标。两种训练样本数目的实验结果表明:用于超声表征的GRNN模型在处理99%的测试集样本时都有良好的表现,本文的方法能够对不同拉伸变形量试样的微观结构进行有效的超声定量表征。