在我国航空航天产业、国防军事、汽车高铁等相关产品的生产过程中，存在着大量的各种内部零件众多且装配结构复杂的关键重要产品。为了确保各个部件在生产过程中的稳定性，对其内部零件进行装配正确性检测是必不可少的流程之一。现有的装配检测方法以图像中连通区域形状、长宽比、面积等特征为目标，虽然检测效果较好，但受机械精度、装配公差、零件错位等因素影响，识别鲁棒性较差。为此，本文就复杂结构件内部零件装配正确性检测问题展开研究，综合X射线多视角成像原理与卷积神经网络算法，改变以往以连通区域为特征的检测方法，自动识别图像中感兴趣区域，使合格品的判断标准由区域特征变为个体特征。　　首先，根据复杂结构件内部零件装配正确性检测的任务要求进行了整体的方案设计。利用X射线成像系统采集不同角度工件投影序列作为深度学习网络的数据支撑，将工件中不同零件标注为不同类。接着，设计了一个卷积神经网络模型，通过深度学习的方法提取零件特征、训练分类器，对工件内部零件进行分类，输出零件精确定位信息。对于首次检测判定为缺漏不合格品的工件，进行二次检测避免误检。对于完成缺漏检测的工件，结合投影数据分布的正弦特性，以卷积神经网络输出的零件定位信息匹配标准样本零件定位信息，找到与当前检测工件投影角度相符的标准工件投影，对比完成零件换位检测。最后，针对复杂结构件装配正确性检测系统的稳定性和可靠性要求，分别对两种仿真工件产品和实际产品进行了实验与分析，均完成了对工件内部零件漏缺和换位的识别。采用多种辅助技术提高检测算法的识别精度，使整个系统对工件内部零件的分类识别精度不低于90％。检测流程快速且高效，同时对其内部零件的相互遮挡等因素具有一定的鲁棒性，达到系统要求。