铁磁性材料广泛应用于铁路、航天和建筑等方面,其机械性能直接影响到许多重大设备的安全。目前对铁磁性材料机械性能的检测依赖于有损检测,无法进行在线检测。脉冲涡流检测技术作为一种无损检测技术,因其检测原理而特别适用于铁磁性材料机械性能的检测,并具有检测速度快、检测成本低等优点。因此,本课题开展了基于脉冲涡流的铁磁性材料机械性能定量估计方法研究,该方法具有理论研究意义和工程应用价值。本文首先对脉冲涡流技术的理论基础进行研究,阐述了脉冲涡流检测的基本原理,分析了基于脉冲涡流对铁磁性材料进行定量估计的可行性;其次设计了脉冲涡流检测系统的整体框架,对硬件系统中各个模块的设计过程进行了详细讨论,包括信号激励模块设计、检测探头设计、数据采集模块设计等;接着针对脉冲涡流信号的特征提取进行了深入的研究:将脉冲涡流信号的传统特征,如差分信号峰值、频谱幅值等,应用于机械性能定量估计,并提出了一种基于集合经验模态分解和希尔伯特-黄变换的特征提取方法,提取边际谱峰值和边际谱能量作为新特征,实验结果表明,新特征和传统特征均具有良好的稳定性,适用于机械性能的定量估计;然后引入BP神经网络算法,在完备训练集和非完备训练集两种情况下对机械性能参数进行定量估计,结果表明,将BP神经网络算法用于机械性能参数的定量估计具有较高的准确率;最后为了解决BP神经网络容易达到局部最小值的问题,采用遗传算法对BP神经网络进行优化,结果表明,采用遗传算法优化BP神经网络可以有效地提升机械性能参数定量估计的精度。