金属表面硬化层深度的检测及控制是目前机械工业部门急需解决的一个问题，它属于材料检测的范畴。渗碳层深度是衡量渗碳件质量的主要技术指标之一。涡流检测是一种适用于试件表面和近表面变化的检测方法，利用涡流方法检测渗碳件时，涡流检测信号的变化主要取决于渗碳层组织的物理特性的变化，所以涡流检测方法可以对金属表面渗碳层深度进行检测而不构成任何破坏。但影响涡流检测的因素很多，检测结果不尽如人意，如何提取信号中的反映渗碳层深度的信息非常重要。为此本文采用了小波变换分析信号、提取特征值，并用神经网络对信号进行分类。小波变换是信号时间—尺度(时间—频率)的分析方法，它具有多分辨分析的特点，而且在时频两域都具有表征信号局部特征的能力，是一种窗口面积固定不变但其形状可改变的时频局域化分析方法，即在低频具有较高的频率分辨率和较低的时间分辨率，在高频部分具有较高的时间分辨率和较低的频率分辨率，这符合工程信号分析的需要。本文介绍了小波变换的理论、基小波的选择和利用小波变换进行信号滤波的方法和滤波处理结果，并提出了一种基于小波理论的新的特征值提取方法。即利用小波包分析方法将信号在低频、高频段作进一步的细分，以各层分解的能量作为信号的频域特征值，以最低频带的极值点作为时域特征值，这样的特征值选取方法较全面的反映了信号的时-频特征，优于传统的傅里叶分析方法。 BP神经网络是一种具有代表性的神经网络模型之一，它适用于信号的分类。本文介绍了BP神经网络的特点、算法和其结构的具体设计方法和设计结果，并将小波包提取的特征值输入到BP网络，对7种不同渗碳层深度的试件进行分类，实验结果表明，小波特征值提取和BP神经网络分类器相结合，可以实现对不同渗碳层深度的分类，效果良好，精度较高，有一定的实用价值。