碳纤维增强复合材料(Carbon Fiber Reinforced Polymer/Plastic,CFRP)具有高强度轻重量的特点,因此被广泛用于航空航天、军工等重要领域。它在制作过程或服役时会产生脱粘、分层,内部缺陷带来的安全隐患对于高安全性要求的航空航天领域是致命的。由于无接触、直观、速度快等优势,基于光激励的红外无损检测技术是适用于复合材料的无损检测技术。但是采集热视频会受到背景、噪声的影响,缺陷检测算法有必要性。传统算法是信号特征分离,但是受限于图像分辨率、检测精度,这些方法仍然存在局限性。深度学习在图像处理上通过算法的特征提取,对目标信息进行自行捕捉鉴定。在红外检测中,由于数据中噪声掩盖缺陷信息等原因,深度学习算法存在着泛化效果差、模型容量不足无法提取缺陷特征等缺点。在本文中,通过对深度学习算法的研究,针对光激励红外无损检测数据,融合卷积神经网络、生成对抗网络等算法作为模型基础。从模型与架构的改进上进行创新,提出了适用于光激励红外无损检测数据的缺陷检测网络,提高了缺陷的检出率,提升了网络的容量,对规则与非规则复合材料样本缺陷均能进行有效检测。本文的主要研究工作如下:1)通过两套不同的脉冲式光激励红外热成像系统对多类试件进行实验,获取红外热成像数据。针对红外热成像数据进行数据分析,从网络结构以及目标函数两个主要方向进行研究。测试多类基于深度学习语义分割算法缺陷分割效果,探讨红外热成像数据与深度学习基本原理的结合原因以及可行性,比较分析各类算法的优缺点。2)通过对红外热成像数据与语义分割算法的研究,建立对应数据库,提出了一种新型的基于深度对抗学习的红外无损检测架构。该方法基于生成对抗网络框架,改进语义分割网络作为生成网络,通过对语义分割模型以及生成对抗模型目标函数的研究改进了新型算法的目标函数,最终实现对不同类型试件的光激励红外热图像缺陷检测。为了验证该算法的有效性与鲁棒性,采用F-score作为评价指标进行性能评估,并挑选四种深度学习语义分割算法作为对比算法进行比较。结果表明,本文提出的新型算法具有更好的检测性能以及鲁棒性。