随着科技的发展和进步,粘接结构被广泛的应用于航空航天、石油化工等国防和民用领域,但在其制造和使用过程中常常会出现粘接缺陷,如粘接不良、气孔、局部脱粘等现象。粘接缺陷的存在增加了设备的不稳定因素,使材料和产品的安全使用存在重大隐患,如果没有及时发现这些缺陷并准确判断缺陷的危害性,可能会带来巨大甚至是不可挽回的经济损失。因此,粘接缺陷的有效检测与识别就成为一个极其重要的研究领域和前沿课题。粘接缺陷识别是无损检测的重要研究内容,现已逐渐成为模式识别领域的一个研究热点,其研究发展方向大体可以归纳为以下两个方面：一是分类器的选择上做改进；二是在解决多分类问题的方法上做改进。本文采用全加权增量SVM做分类器,对薄板复合材料粘接缺陷10级标准脱粘样块,在提取出有效特征基础上进行分类,实验所做的工作归纳如下：第一,介绍了支持向量机的数学原理,分析了支持向量的性质和增量学习的过程,给出了一种基于广义KKT条件的增量学习算法。该算法利用广义KKT条件来选择训练样本,在尽量保留有用信息的情况下减小样本训练规模,算法有效地提高了分类的准确率和速度。第二,研究多分类方法的应用,分析比较各种多类分类方法的优劣,提出了利用先验知识即粘接缺陷相邻等级之间类中心距离大体上是呈线性变化的和树形多分类相结合的方法作为本系统的构造基础,构建了十级薄板粘接缺陷的分类识别模型。第三,在训练十级粘接缺陷模型时,各个增量SVM正负类样本数目的不均衡造成了分类错误率偏向小样本,同时噪声和其他不确定因素的存在导致了某些粘接缺陷样本严重偏离所属类别,再有提取的三个特征对各类别的分类贡献度不同,考虑到以上三个方面的影响,因此,本文采用了类、样本和特征的全加权增量SVM方法,有效地解决了以上的各种不足。第四,在同等条件下,实验结果表明全加权增量SVM比普通SVM、增量SVM和全加权SVM更具优势,该方法为薄板复合材料粘接缺陷的量化识别提供了一套较为适用的方法,为薄板复合材料粘接缺陷的自动检测奠定了基础。