铝板是一种具有抗疲劳性和延展性强的材料,是工业中广泛使用的一种金属材料。然而由于原材料、轧制设备和加工工艺、外界环境等各种因素影响,铝板在生产过程中容易产生缺陷。缺陷的存在不仅影响铝板材料的外观,还将严重降低材料强度、屈服应力等性能,如果不能及时发现这些缺陷可能会导致严重的事故。涡流检测技术,具有检测时线圈不需与被测物直接接触的特性,在铝板缺陷的检测中起着十分重要的作用。虽然目前涡流检测的方法已经发展的比较成熟,能够从检测信号中发现缺陷损伤的存在,但是对铝板缺陷检测的准确性以及缺陷分类的精度仍然有待提高。在本文中,针对铝板涡流检测的准确性以及缺陷分类的精度需要提高的需求,通过结合卷积神经网络、生成对抗网络（Generative Adversarial Networks,GAN）等方法,开展了铝板缺陷涡流检测和缺陷分类的方法研究。本文的主要研究工作如下:（1）深度学习对数据量的需求极大,但在实际中,铝板材料缺陷检测数据却难以大量获取,缺陷样本的数量制约缺陷的检测效果。本文首先采用镜像、裁剪、缩放等方法扩充铝板缺陷涡流检测的图像数据,然后运用生成对抗网络生成新的铝板缺陷涡流检测图像数据作为实测数据的补充。实验对不同类型的铝板缺陷涡流检测图像进行了验证,并采用不同评价指标对生成图像的真实性和多样性进行质量评估。实验结果表明,所提出的方法能够实现对数据集的扩充,为铝板缺陷涡流检测图像的分割与分类等后续实验提供更多样本数据。（2）针对铝板缺陷涡流检测图像中缺陷边缘不容易识别,同时涡流检测图像存在背景噪声干扰的问题,提出了一种基于改进生成对抗网络的铝板缺陷涡流检测图像分割方法。该方法建立在生成对抗网络图像分割模型的基础上,生成器部分采用U-net模型的思想,在高低层特征融合之前采用注意力模块,调整低层特征与高层特征拼接时的权重,有利于提高图像特征信息的利用,增强铝板缺陷涡流检测图像中缺陷区域的特征并抑制背景特征。实验结果表明,与其他分割方法相比,所提方法对铝板缺陷涡流检测图像的缺陷边缘区域分割效果更好,对噪声干扰更具鲁棒性。（3）在涡流检测缺陷分类技术研究方面,尽管可以通过对信号相位、频率及幅值等进行分析处理得到缺陷的信息对缺陷进行分类,但是人为提取特征困难,分类准确率有待提高。为了提高对铝板缺陷涡流检测图像的分类准确率,本文提出了一种基于生成对抗网络的图像分类模型对铝板缺陷涡流检测图像进行分类。该方法融合了从判别器网络模型的不同卷积层提取的铝板缺陷涡流检测图像的特征,提高网络模型对铝板缺陷涡流检测图像的特征提取能力,然后使用支持向量机对特征进行分类得到最终结果。模型训练时,损失值通过反向传播算法,更新模型的参数,使生成器和判别器网络得到进一步的训练和优化。与其它分类方法相比较,该方法提高了铝板缺陷涡流检测图像分类的准确率。