航空工业的发展侧面反映了一个国家的综合国力强弱,随着我国基础工业及制造工艺技术的不断提高,航空工业得到了快速发展,已经被广泛应用于国防建设、工农业生产、交通运输和日常生活中。由于航空工业在国防及交通运输中的重要地位,故其安全性的检测显得尤为重要。当前,由于飞机引擎装配复杂,国内航空工业对于发动机叶片的检测依旧停留在内窥镜人工目视检测。尽管这种方法具有一定的准确率但检测效率较低,此外人工成本比较高昂。不同于传统的人工检测方法,基于计算机视觉的检测方法与人工目视的检测原理有一定的相似性,但其具有高效率、低成本、评价指标客观等优点。因此,近年来基于计算机视觉的检测方法一直是航空发动机叶片表面缺陷检测的研究热点。本文以实验室采集的真实发动机叶片图像为基础,制作数据集并开展了叶片发动机表面缺陷检测的相关技术研究,主要研究内容如下:（1）提出了一种基于自适应的密度聚类算法。相较于传统密度聚类,该方法利用图像所含的空间信息,采用数学期望法与平均最近邻算法,得到每张样本数据的最佳检测半径与对应的密度阈值。同时利用该算法对于噪声点极强的抗干扰能力,以及对数据集簇数的智能检测准确性,显著提升其分类效果。将基于自适应的密度聚类算法运用于航空发动机叶片表面的缺陷分割上,解决了数据集中各类缺陷样本所表现出的图像信息差异性问题,利用其准确的分类效果与抗噪能力,有效地分割出缺陷所在目标区域。（2）提出了一种对图像高维度信息采集的方法。利用图像针孔成像原理,将2D空间图像逆转换到3D坐标内,以获取更多的空间信息。采用相机标定所得的内、外参数矩阵,结合空间三维坐标的搭建,完成图像的逆变换,从而得到图像的高维度信息。将该方法用于叶片缺陷目标区域的图像信息分析中,得出其所在真实世界中的各项空间信息,这可为后期叶片的工业修复提供有效数据。（3）基于分割出缺陷所在的目标区域,提取其形状、灰度、纹理等空间域特征,比较发动机叶片各类缺陷在各项特征下的差异性,并挑选出其中具有缺陷可区分性的特征。将已选择的特征提取算法导入SVM支持向量机二叉树分支的分类器中,完成最终缺陷分类效果。实验结果表明,本文提出的分割算法,在叶片缺陷的检测分类中效果显著,分类准确性高于其他相关算法,且得出的缺陷三维空间信息准确,在航空工业检测领域具有较高的实用价值。