实际应用中,铁轨、发动机、齿轮设施和零部件易在服役过程中产生疲劳损伤、内部缺陷等问题,导致在使用过程中发生断裂,造成灾难性事故。因此精准有效的缺陷检测技术已成为工业自动化进程中的重要部分。其中无损检测因其应用广泛性在检测领域备受关注。与传统方法相比,电磁热成像利用电磁感应涡流在缺陷处的畸变累积焦耳热,增加了缺陷和非缺陷区域间的温度对比度,具有快速、非接触、非交互、直观成像等优点,已经成为检测研究热点方向。然而零部件的表面亚表面自然微小缺陷难以被察觉给电磁热成像缺陷检测的实际工业应用带来了挑战。本文提出了一种新的无监督鲁棒低秩稀疏张量分解方法来挖掘电磁热成像流中的异常模式,用于缺陷检测。该算法不仅在抑制强背景及噪声干扰和锐化缺陷视觉特征方面具有优势,而且一定程度上克服了同类算法的过稀疏和欠稀疏问题。本论文研究主要分为四个部分:1)搭建电磁激励热成像红外系统,利用电磁感应以及热理论指导进行缺陷检测的实验并收集数据;2)广泛收集包含不同形状规则大小裂纹缺陷的铁磁性和非铁磁性金属式件进行电磁热成像检测实验;为后续验证检测算法的泛化性和鲁棒性做准备;3)研究现经典红外信号处理以及机器学习中矩阵张量算法在电磁热成像无损检测中对缺陷特征检测提取的原理方法;4)研究表面复杂不规则自然式样中微弱缺陷检测问题,解决湮没在复杂噪声下异常图像信号检测的挑战。依据低秩和稀疏的时空红外热视频物理模型提出一种新的层次鲁棒低秩张量分解模型,推导出模型优化算法以及代码实现,和现有的检测算法进行对比验证包括缺陷和非缺陷对比度,信噪比,检测效率等评价指标。理论和大量对比实验的缺陷检测结果证明,本文提出的层次鲁棒低秩稀疏张量分解模型相比于其他现有的信号处理以及矩阵张量算法检测模型,在解决湮没在复杂背景及噪声下的微弱小缺陷检测应用中,有着检测效率高,信噪比高,鲁棒性强,锐化缺陷视觉效果等方面的优势。为实际工业电磁热成像无损检测提供了一种新的可能检测技术。