在超声无损检测中，超声检测信号的特征提取和识别对于机械缺陷检测，降低机械事故发生率具有重要的意义。超声信号特征提取方法的选择直接影响缺陷的定性、定量和定位分析。机械焊接缺陷识别本质上是一个模式分类问题。支持向量机由于解决小样本分类问题有着优良的表现，得到日益广泛的应用。支持向量机集优化、核、最佳推广能力于一身，从线性可分的分类角度看，其目的是建立一个最优决策超平面，使得该平面两侧距平面最近的两类样本之间的距离最大化，从而对分类问题提供良好的泛化能力。对于非线性可分分类问题，根据Cover定理，可以将其先转化为线性可分模式分类问题再进行处理。本文从机械焊接缺陷超声实测信号出发，结合小波分析、主成分分析和常用分类算法，开展了超声检测信号的特征提取和缺陷识别的尝试性工作。主要的研究内容包括：（1）介绍超声检测数据采集系统，在实验平台上进行机械焊接缺陷采集，分析其波形特征，然后利用小波分析和主成分分析对其进行特征提取实验研究；（2）利用KNN、BP神经网络和SVM算法对标准数据集和提取到的机械焊接缺陷超声信号进行分类识别研究，并进行了不同算法的比较研究；（3）针对SVM分类算法参数选择难等问题，提出利用智能优化方法优化SVM参数选择的算法，通过优化惩罚因子C和RBF核函数的参数σ，进行机械焊接缺陷的超声信号识别工作，提高缺陷识别的准确率；（4）利用小波分析技术和主成分分析相结合的方法对实测机械焊接缺陷超声信号进行特征提取，并通过对比SVM、ABC-SVM算法和RABC-SVM算法的分类结果来验证文中提出的ABC-SVM算法的适应性，RABC-SVM的快速性。实验结果表明，RABC-SVM算法更适合解决机械焊接缺陷超声信号识别问题，且具有一定的优越性。同时，文中对数据挖掘在超声检测信号处理中的应用进行了总结，并指出了进一步的研究方向。