目前,水下机器人也逐步应用于水下无损探伤、水下救援和水下裂纹检测等领域。研究利用水下机器人进行水下检测的技术具有相当重要的意义,对机器内部进行检查分析是否存在缺陷,一旦存在潜在危险避免应用此类产品。水下超声无损检测智能方法的研究,主要集中在对原始的超声回波信号进行降噪处理、缺陷类型的识别和水下智能探伤系统的实验,论文的主要工作如下:首先,对课题研究背景及意义进行了简要介绍,对本文所涉及的研究方法和研究现状进行了阐述。介绍了超声无损检测的原理和超声回波信号时频分析技术。讲解了傅里叶变换和短时傅里叶变换、小波变换和小波包变换,并对其理论原理进行了进一步的学习。然后,对水下含伤含噪信号的降噪进行研究,提出了一种基于CEEMDAN分解为基础的采取小波包分析综合降噪新方法。完成了6种小波包相关去噪的实验,通过能量比指标对比验证了小波包去噪对初始的含噪信息进行的预处理的优越性,借助CEEMDAN分解的方式得到多个特征模态分量;并通过自相关函数选择包含主导噪声的模态分量。采用小波包渐进半软阈值对主导噪声的模态分量进行去噪,通过信号重构得到最终的纯信号。本文提出的方法具有CEEMDAN分解和渐进半软阈值综合性能优点,与现有的一般CEEMDAN和小波包去噪方法进行对比,降噪效果更好,可应用于类似含噪的探伤信号的降噪处理。其次,设计了两种缺陷分类器,即基于BP神经网络的缺陷分类器和基于径向基函数神经网络的缺陷分类器。对神经网络部分进行了分析,并建立相关模型,选取多种缺陷类型数据,对缺陷数据样本进行了训练和测试,通过实验表明基于径向基函数神经网络的缺陷分类器性能更优,能更好的实现超声检测缺陷定性的自动诊断。最后,搭建了水下超声检测系统,完成了水下超声探伤实验。对于水下含伤钢板使用探伤仪进行了数据采集,并由Cyg Link软件和matlab联接得到含伤信号,经过处理得到了缺陷类型,实验结果验证了本文搭建的水下超声检测系统的实用性。在此基础上,还验证了本文去噪算法的有效性。