高分子复合材料因具有强度高、耐高温、耐腐蚀等特点,在航空航天工业、汽车工业和医疗行业中得到广泛的应用。高分子复合材料由于制造工艺的缺陷以及使用过程中的疲劳累积等原因容易形成脱粘、分层等内部缺陷,目前大多数利用主动红外进行的内部缺陷无损检测算法是基于传统的信号提取与图像处理等,存在着需要手动设计参数、对缺陷的自适应定量化分析能力差、算法的泛用性弱等特点。为了解决上述难点,本课题提出了一种端到端的时域卷积网络缺陷检测模型,研究了原始数据的预处理方法与一种多变量的温度响应构建方式。针对复合材料存在内部缺陷时对试件表面温度响应的影响,使用数值仿真的方式对几种情形下的试件表面受到均匀狄拉克脉冲激励后的表面温度响应进行了研究。通过数值仿真的方式研究了不同的高分子复合材料、不同缺陷深度与不同缺陷尺寸的条件下,试件表面温度-时间响应曲线的变化趋势。结果显示表面温度-时间响应可以作为内部缺陷检测的依据。在此基础上,对红外脉冲激励下的高分子复合材料红外热像图序列内部缺陷的可视化进行了研究,通过应用传统的特征提取算法对热像图序列进行了处理。在此基础上,通过人工标注的方式对缺陷的位置与尺寸进行了标注,为后续的监督学习研究提供了数据基础。提出了对热像图序列数据的预处理方法,通过四分位法对热像图中的边缘环境温度响应进行了过滤,根据热像图的像素直方图提出使用标准归一化对热像图进行预处理,将对应特征维度下的特征值限制到一定的范围内,避免了模型在训练数据集上的过拟合。提出了一种多变量温度-时间序列的构建方式,有效提升了模型的预测能力。为了实现自适应的缺陷检测算法,提出了基于空洞因果卷积的时域卷积网络模型,对多变量的温度-时间数据进行了研究。在此基础上展开了5折检验、不同的时间序列分类的神经网络、时域卷积模块数目、空洞因果卷积机制以及与单变量温度-时间响应数据的对比实验。实验结果表明,所提出的时域卷积神经网络能够对温度-时间响应时间序列进行自适应的特征提取与学习。最后搭建了脉冲红外无损检测平台进行了不同任务下的实验验证。