蜂窝夹层结构复合材料（Honeycomb Sandwich Composites,HSCs）由于具有高比刚度、高比强度、低密度等特性,广泛应用于航空航天飞行器的主、次承力结构件。HSCs制备工艺复杂,在制备过程中或长期工作在恶劣环境时可能会出现蒙皮与胶层、胶层与蜂窝芯等脱粘缺陷,严重影响到相关构件的正常使用。因此快速而准确地对HSCs内部缺陷进行检测与识别已成为相关领域的研究热点和难点。基于深度学习的卷积神经网络具有特征提取能力强、鲁棒性好、识别效率高等优点广泛应用于图像处理,图像分类、目标识别等领域。本文将深度学习与传统的红外无损检测技术相结合,提出了基于红外锁相算法双通道成像的神经网络模型,针对HSCs缺陷的识别、分类和量化检测技术展开了深入研究。首先,建立了正弦规律形式变化的热流作用于模拟HSCs的多层结构三维热传导模型,求解了加热表面上调制热流产生温度信号的幅值和相位。使用锁相法对红外热像仪采集到的红外图像序列进行特征图像的提取,使用对比度增强、滤波处理、图像分割、数据增强等方法对特征图像进行了处理,探究了不同尺寸滤波窗口对信噪比的影响,分析了不同图像处理方法的适用性。其次,将传统的红外锁相热波法与卷积神经网络相结合,搭建了基于深度学习的HSCs缺陷识别卷积神经网络模型,探究了对于HSCs缺陷识别更高效的网络结构。使用预处理过的HSCs特征图像数据集进行训练,通过试验调制神经网络参数,研究和阐明了神经网络参数对缺陷识别准确率的影响和规律。使用Python语言对HSCs缺陷识别软件进行开发和编程,实现了HSCs缺陷的快速、高效和准确识别。再次,通过试验研究了不同改进方法对复杂环境下缺陷识别准确率以及识别速度的影响。建立了HSCs几类典型脱粘缺陷的数据集,使用搭建好的卷积神经网络模型进行了训练,分析了卷积神经网络模型对不同类型缺陷的识别准确率和识别速度。基于迁移学习对卷积神经网络模型缺陷类型识别进行优化,探究了冻结不同层对迁移学习结果的影响及规律,分析了迁移学习对神经网络训练和对缺陷类型识别的影响。最后,基于像素标定将卷积神经网络模型与图像分割、形态学处理相结合,开展了对HSCs缺陷尺寸和面积的量化测量试验,研究了HSCs缺陷尺寸和面积量化测量的范围及测量误差,分析了测量误差与锁相频率之间的关系,实现了对HSCs缺陷尺寸和面积的量化测量。