X损伤检测是工业无损检测中重要的一项检测技术。实际的生产环境中,X光胶片中的损伤检测是直接由质量检测人员手工完成的。随着工业生产力的不断提高,生产需求对人工检测的效率以及质量的要求也越来越高。但是由于人工检测对于检测环境有严格的要求,并且检测的结果十分依赖于检测人员的经验与工作状态。因此,高效且准确的计算机辅助诊断算法对于工业无损检测效率以及质量的提升至关重要。本文首先提出了一多基于分类器与滑动窗口策略的多尺度多特征融合的损伤定位方法。该方法首先通过本文提出的G-CLAHE方法增强了图像中的特征;同时参考人工定位损伤时的经验,利用聚类的方法将X光影像图中的焊缝区域与钢体区域拆分;并将前两种特征与原始数据相结合得到了多特征融合数据。另一方面,该方法利用多尺度的判别模型,在原始图像上对损伤进行定位,让模型获得更多空间信息的同时,利用更小的定位窗口对损伤进行定位,在像素级别的评价标准上得到了更高的准确率。最后,该方法引入了主动学习的策略,减轻了工业无损检测领域中利用深度学习算法进行计算机辅助诊断算法的训练时标注成本高的问题。并且通过实验结果证实了前文中提出的方法的各个模块有效性。在此之上,通过分析滑动窗口策略的局限性以及目标检测算法的优点,本文提出了基于目标检测方法改进的损伤定位模型。同时为了提升模型整体损伤定位结果的可视化效果,本文利用非极大值抑制算法去除非必要的低置信度的损伤定位框后,利用连通区域的合并算法,将多个连通的不利于观察的损伤定位框合并为单个整洁的损伤定位框,提升了模型展示给用户的损伤定位的视觉效果。