涡流热成像作为一种新兴的主动热成像无损检测技术,已广泛应用于金属材料的裂纹、腐蚀、残余应力等缺陷检测。缺陷特征增强提取算法因可以增强缺陷图像对比度,降低检测结果的数据量,提高检测效率,受到了研究人员的持续关注。目前,涡流热成像处理方法主要包括热像信号重建(TSR)、傅里叶变换(FFT)、主成分分析(PCA)、独立成分分析(ICA)、稀疏分解(Sparse Decomposition)等。然而,目前一直没有建立统一的热图像处理效果评价体系,这种不足阻碍了算法在工程中的落地实施。本文首先从红外热成像物理模型出发,分析了表面和亚表面缺陷的红外热响应特征,以及五种常见涡流热成像数据处理方法的理论基础及其在涡流热成像上的物理含义;然后根据涡流热成像序列在时域、频域和空间域的特征,采用无参考系及参考系下的客观评价指标对不同涡流热图像数据处理结果进行了对比分析。理论和实验研究结果表明:在无参考系下,对于表面缺陷,TSR在平均梯度、信息熵、标准差指标下热图像处理结果最佳,稀疏分解在灰度均值、空间频率指标下热图像处理结果最佳;对于亚表面缺陷,稀疏分解在平均梯度、灰度均值、空间频率指标下热图像处理结果最佳,PCA在信息熵、标准差指标下表现最佳。在参考系下,对于表面缺陷,FFT在信噪比、均方误差、交叉熵指标下热图像处理结果最佳,TSR在信噪比、均方误差、联合熵、交叉熵指标下热图像处理结果最佳;对于亚表面缺陷,TSR方法在信噪比、均方误差、交叉熵指标下热图像处理结果最佳,PCA方法在联合熵指标下热图像处理结果最佳。本文通过将不同热图像处理方法放在同一个评价指标下对比研究,给出了每种方法在不同场景(如表面、亚表面缺陷)下的量化评估结果。该研究不仅可以为新处理算法的研究提供理论依据,还可以为工程应用中的数据处理方法选择提供指导,具有重要的理论和工程价值。