管道的安全性能与其焊缝质量密切相关,从家用燃气管道到战略能源管道,焊接缺陷可能会引发管道爆炸,造成严重经济损失甚至人员伤亡。因此,必须对焊缝缺陷进行严格的检查。X射线检测具有准确、直观、无损等特性,是目前应用最为广泛的焊缝无损检测方法之一。但X射线检测结果目前主要依赖于人工评片,人工评片具有操作繁琐、工作强度大、检测结果不一致等缺点。而现有的缺陷自动化检测算法则普遍存在精度低、速度慢等问题,且大量阈值参数依赖于手工选取,智能化程度相对较低。针对上述问题,为提高焊接缺陷检测质量与自动化水平,提出了基于深度学习的X射线焊接缺陷检测算法,主要工作如下:（1）提出了一种基于LSTM网络的焊缝区域定位方法,根据焊缝成像特点,构造Intensive曲线将二维问题降维成一维序列问题,通过LSTM网络从序列中学习焊缝边界特征,实现焊缝区域定位,进而将检测范围大幅缩小,提升了233%的计算速度。（2）提出了一种基于YOLO改进的缺陷目标检测算法,基于残差学习策略重新设计了前级特征提取网络以保证实时检测速度;优化了用于引导网络参数训练的损失函数,降低了计算复杂度并提升了缺陷检测精度。（3）设计并实现了焊缝缺陷自动化检测原型系统,使工作人员可以通过客户端图形界面,借助服务器的强大算力,通过云计算快速获得焊接缺陷检测结果并可视化显示,提高了X射线像片的评估效率。为验证检测效果,构建了一个包含1200张X射线检测图片的实验数据集,经实验,本文提出的算法缺陷召回率为99.3%,单张图像平均检测时间为32毫秒,能够满足精度和效率的检测要求。