焊接作为金属工件间常用的连接方法,应用于多个领域,其品质的优良直接影响异型承载件的强度和使用时间,重者可能导致灾难性事故发生。随着工业4.0的到来,工业上更加关注焊接的品质以及检查速率。目前,工业上传统方法对焊缝内部缺陷超声相控阵图谱定性分析,常常依靠经验丰富的员工观测该图谱的特征,但是这种检测方法获得的检测结果会因其知识贮备量而不同,尤其是需要大规模检测缺陷图谱时,因其精力变化这种差异性会放大。因上述原因,使用传统方法对超声相控阵图谱定性逐渐被淘汰。近年来,跨学科,多学科交叉融合的趋势已势不可挡,特别是人工智能与各行各业的结合取得了显著的成绩,促使人们将人工智能引入异型结构焊缝超声相控阵图谱的定性识别中。本文针对目前焊缝内部缺陷定性困难的问题,以焊缝典型缺陷超声相控阵检测图谱为研究基础,旨在解决焊接工件出厂质量检测难题,论文的主要工作包括:（1）在用于辨识焊缝内部缺陷类型的超声相控阵检测图像的特征集构造过程中,为了精准提取显著响应焊缝缺陷类型的特征集,提出一种基于多评价准则相融合的显著特征评估方法,并以计算得到的缺陷图像特征指标作为评估对象,对显著响应焊缝缺陷类型的特征进行筛选,并实现排序。该方法旨在获得显著响应焊缝内部缺陷类型的特征集,提升异型结构铝合金焊缝内部缺陷定性结果的精度。（2）在用于辨识焊缝内部缺陷类型的超声相控阵检测图像的智能网络架构搭建过程中,为了提高分类准确率,提出了一种堆栈稀疏自编码器融合核的极限学习网络模型,该模型计算各特征对V型焊缝内部缺陷类型的敏感度,分配其为堆栈稀疏自编码器融合核极限学习网络的初始权重参数,同时,以样本重构误差最小化、类内样本差异最小化和类间样本差异最大化为堆栈稀疏自编码器融合核的极限学习网络的优化目标。最终实现了异型结构焊缝内部缺陷超声相控阵图像的智能定性分类。（3）在用于辨识焊缝内部缺陷类型的超声相控阵检测图像的数据库软件设计过程中,为了方便使用,该异型结构焊缝典型缺陷图谱分析的数据库软件结合了堆栈稀疏自编码器融合核极限学习网络、mysql和pyqt5,最终实现了缺陷现场检测图谱智能识别与标准图谱的现场快速比对。本文提出的方法分类准确率达到了97.8%,可以用于现场实际检测。