铁磁性材料零部件被广泛地应用于大型机械设备、航天航空、管道运输等领域,铁磁性材料零部件在长期的服役过程中,由于受运行环境、制造工艺和使用方式等因素的影响,易产生表面或内部不同程度的损伤,影响设备运行情况及使用寿命,留下安全隐患,甚至造成工业事故。为此,对设备的铁磁性材料零部件及时地进行非接触、非侵入的检测变得十分重要。为了构建非接触、非侵入的缺陷检测模型,本文利用无损检测技术中的红外热成像技术,建立红外热图像缺陷检测试验平台,研究基于红外热图像缺陷检测技术与方法,实现对部件或设备缺陷的无损检测分析。论文聚焦于建立红外热成像检测试验平台,构建红外热成像缺陷检测模型等研究内容,围绕铁磁性材料红外热成像中的热图像去噪、缺陷的识别与定位、边缘分割等问题和难点展开研究,研究内容如下:（1）针对采集的铁磁性材料红外图像存在较大的噪声干扰,采用一种优化的K-SVD字典学习算法。首先固定初始字典,然后利用正交匹配追踪算法求出稀疏系数;通过运用迭代算法用稀疏系数对初始字典进行更新学习,并从中学习出自适应于目标信号的冗余字典。实验证明,该方法能有效的减少图像中噪声的干扰,有利于下一步的缺陷识别与定位。（2）针对铁磁性材料的红外热成像检测中存在表面缺陷检测速度慢和图像干扰信息多的问题,建立了一种基于改进的Faster R-CNN的铁磁性材料红外图像智能检测模型,提高了Faster R-CNN图像处理能力。改进的Faster R-CNN使用VGG-16网络进行迁移学习,将网络中多个层次的特征图进行融合,并对RPN网络的锚框选择方案进行了调整。实验结果证明,该模型能准确的检测出缺陷并确定缺陷的具体位置,对4种长度不同的缺陷的平均检测正确率达到了96%。（3）针对识别出的缺陷在图像中边缘特征信息不突出的问题,采用基于数学形态学的边缘检测方法,对确定出具体缺陷位置的图像进行边缘分割。该方法以信息熵的比值为依据,采用不同方向的算子对缺陷图像进行边缘检测,然后根据每张边缘检测图像有用信息的多少赋予权值,再融合图像,从而准确地分割出缺陷图像的边缘轮廓。论文建立了红外热图像无损检测平台,以红外热图像作为无损检测手段,解决了热图像误分割、缺陷检测定位等问题,建立了铁磁性材料的缺陷检测分析模型,可以检测出设备存在的缺陷,为设备的安全运行提供保障。