碳纤维增强复合材料（CFRP）具有强度高、密度低等良好性质,然而它在长时间服役过程中会产生脱粘断裂等缺陷,给设备带来潜在的安全隐患。基于光激励的红外无损检测技术具有非接触、安全、速度快、易于操作等优势,常被应用于复合材料内部缺陷检测。但是采集的热视频,基于材料和设备本身性质,会受到高背景噪声等的干扰,无法直接观测缺陷,因此缺陷检测算法具有必要性。深度学习算法能够对视频序列数据进行特征提取,通过自行学习可以进行目标信息自动捕捉和识别。在红外检测中,由于红外热成像数据存在背景噪声、光照干扰、微弱目标和少样本等局限,目前检测算法存在泛化能力差和无法准确全面定位缺陷等挑战。本文通过对深度学习算法模型以及图像处理领域算法研究,对光激励红外热成像视频数据进行深入挖掘和分析,融合多维卷积神经网络以及时空结构算法提出缺陷检测自动识别模型。从数据处理、模型以及检测效率等方面进行改进和创新,提出了一种新的端到端自动缺陷检测算法。本文的主要研究工作如下:1)使用固定式和便携式两种不同光激励红外热成像系统对多类试件反复试验,获取红外热成像缺陷视频数据,建立红外成像缺陷检测数据库。针对热成像缺陷数据的特点进行分析及处理,在预处理阶段降低噪声,并改进网络模型,建立了一个时空特征提取的视频图像缺陷语义分割及检测系统。2)提出了一种基于时空特征提取和融合的端到端红外无损检测模型。该方法基于深度学习图像分割模型和传统特征提取方法,从空间和时间上分别进行缺陷特征的提取和融合。使用自注意力机制使模型自适应学习缺陷典型特征,减少网络模型参数提高检测速度,实现了轻网络红外热图缺陷检测。在不同测试系统,不同形状及类型的试件进行算法有效性和鲁棒性验证,并客观比较多种语义分割算法缺陷检测效果。结果表明,本文提出的缺陷检测算法具有更好的检测性能。