当前，我国工业正处于迅猛发展时期，与之相关的铝合金板的搅拌摩擦焊技术也越来越多的用于航空航天、机械、电器、汽车制造、船舶、高速列车等各类产品的关键部件中。由于搅拌摩擦焊焊接温度场分布较难控制，铝合金板材的搅拌摩擦焊焊接参数的微小波动很容易引起各类缺陷的产生（如飞边、沟槽、未焊透、未融合、孔洞等）。因此，搅拌摩擦焊质量的无损检测技术显得尤为重要。超声衍射时差法(TOFD, Time of Flight Diffraction)是一种比较适合于中厚度缺陷检测的方法，铝合金搅拌摩擦焊焊缝的超声TOFD成像检测能够对焊缝缺陷进行高效快速的检测，同时能够对缺陷进行精确测深定高，是焊缝质量及产品结构安全性的重要保障，高效的超声TOFD检测方法在节约制造成本、提高产品性能、避免安全事故等方面具有重要意义。超声TOFD检测技术对焊缝进行检测时，由于存在近表面检测盲区，无法对缺陷有效识别，因此TOFD检测技术对于搅拌摩擦焊缝近表面缺陷的检测比较困难。同时搅拌摩擦焊缝中微小缺陷的端部衍射波较弱、易受噪声干扰，造成较低的信噪比直接影响超声TOFD检测能力，造成对缺陷的误检或漏检；因此，提高超声TOFD焊缝近表面缺陷的检测能力以及增强TOFD检测图像是亟待解决的问题。本研究针对超声TOFD检测技术存在近表面盲区问题，提出了基于超声TOFD直通波幅度分布特征及人工神经网络的近表面缺陷自动识别技术。研究中，通过优化超声TOFD检测参数激发近表面缺陷端部衍射信号，该衍射信号与检测直通波信号相互叠加影响直通波脉冲峰值的幅度分布；本研究在近表面缺陷检测信号的直通波部分选取多个关键点，揭示了各关键点幅度分布与近表面缺陷深度的关系，获得了用于表征近表面缺陷检测的幅度分布特征值。此外，为了避免多个特征值评价缺陷的复杂性，本研究还设计了用于识别该特征值的BP神经网络。将直通波幅度分布特征值作为BP神经网络所需的特征向量，并通过对BP神经网络的输入层、隐含层以及输出层各个参数进行优化设置，获得可用于自动识别近表面缺陷的BP神经网络。研究结果表明，该技术能够对铝合金搅拌摩擦焊近表面缺陷进行准确、有效的自动识别分类，且能准确检测到埋藏1.0mm深的的缺陷，有效的提高了对近表面缺陷的检测能力。为提高搅拌摩擦焊缝超声TOFD检测信号的信噪比以及D扫成像质量，本研究对焊缝的超声TOFD检测信号进行小波分解，在时频域上分析了检测信号的组成成份；将检测信号中的噪声部分与缺陷信号相互分离并对各层小波系数的高频部分进行阈值量化处理，通过对信号进行重构获得了滤波后的缺陷信号，提高了检测信号的信噪比。将处理后的检测信号用于超声TOFD成像中，增强了超声TOFD-D扫图像质量，据此对缺陷进行了精确定位。