针对无损检测智能化要求,本文结合局部均值分解处理非平稳非线性信号的优势、深度信念网络强大的特征提取能力和学习能力以及LabVIEW编程软件的优越性,对电磁超声无损检测系统进行了设计。本文主要的研究内容如下:1)针对电磁超声信号的非平稳性非线性,导致缺陷的识别率不高的问题,提出基于LMD时频特征的深度信念网络的电磁超声缺陷识别方法。从输入特征的不同和分类器的不同两方面进行实验研究,研究结果表明该方法能有效提高缺陷识别率。2)针对提取信号特征的复杂性、不全面性、需要人工参与的不确定性会增加缺陷识别难度和降低机器学习的智能性,采用基于原始数据的深度信念网络方法对电磁超声缺陷进行识别。通过重构隐层信号特征,说明深度信念网络有很强的提取特征能力和学习能力。实验表明,该方法能够有效避免人工特征提取和优化过程,减少人为因素,并有效地识别缺陷且识别率高于基于SVM、BP神经网络。3)对电磁超声无损检测系统进行了搭建,并进行数据实时采集、在线训练和缺陷在线识别的实验,实验结果验证了系统的可靠性、有效性。