储罐作为油气储运过程中必不可少的一种压力容器,随着科技的发展,各行各业对油气的需求也相应的增大,储存油气所需的储罐尺寸也在不断的增加。要保证储罐在其生命周期内能够平稳的运行,最好的办法就是定期对储罐进行无损检测,了解储罐的运行状态,对储罐及时的维护与保养。常见的无损检测手段有超声波、声发射、漏磁检测、磁粉探伤、射线检测和涡流检测等,由于超声波检测范围广,检测精度高,定位准确等优点,对储罐底板的无损检测有比较好的适用性。但是传统的超声波需要采取人工检测手段,然后再依据人工的经验来判断是否存在缺陷等,这样做的缺点是效率低下,而且检测结果的好坏都依赖于检测工人的检测经验。针对这个问题,本文通过机器学习的方法,对超声缺陷信号进行自动的分类,提高了超声检测的效率。为了能够达到自动分类的效果,首先需要对信号进行特征提取,本文采用了小波包分解的方法,将超声时域信号分解到频率不同的频域中,通过对每个频率分量求平均值、求最大值、求熵和求方差来提取特征值。由机器学习得出的分类精度(33.33%)可以知道,利用小波包分解的方式来提取特征值不适用于本次实验的数据处理。通过进一步对超声时域信号波进行了分析,利用了皮尔逊相关系数法得出两类缺陷信号在每个部分的相关性,通过寻找相关性小的部分来缩小寻找特征的范围,在较短的时间内找到了缺陷的特征波。本文还研究了可分性算法,利用可分性算法能够计算出特征值的可分数值,以量化的方式来评价特征值的可分性能。通过机器学习96.66%(29/30)的分类准确率,证明了使用皮尔逊相关系数法和可分性算法的有效性。