焊接技术在现代化工业中的各个关键领域都有着广泛的应用,对焊缝的X射线缺陷检测是保障焊接质量的重要方式。传统的人工检测方式效率低下,在深度学习迅猛发展的背景下,基于深度学习的检测方式正在逐步代替人工检测。为了将深度学习更好地应用于焊缝的缺陷检测,提高算法执行效率,本文主要进行了如下工作:（1）焊缝缺陷分割。由于采集到的X射线焊缝图像普遍分辨率较高,缺陷目标较小,采用常规的滑动窗口检测方式,会产生较多窗口内无缺陷的无效检测,效率较低。针对此问题,设计了一种粗粒度快速缺陷分割网络,加快网络执行速度,用于后续与缺陷检测网络相结合,减少无效窗口的检测次数。此分割网络以U-Net网络作为基础模型,对其结构进行优化压缩,降低参数量,提高运行速度。为了缓解焊缝的背景与缺陷像素数量极不平衡的问题,引入了Focal Loss损失函数,提升训练效果。在自建的焊缝缺陷分割数据集上进行实验,结果表明:在窗口缺陷覆盖率相近的情况下,改进后的网络相比原网络速度提高了6.4倍。（2）焊缝缺陷检测。在焊缝缺陷窗口检测过程中,为了提高实时性,提出了基于YOLOv4网络的缺陷检测算法。该算法通过与轻量级分类网络Mobile Netv3相结合,并引入具有空间注意力的CA模块,在保持检测精度少量降低的前提下,大大减少了原YOLOv4网络的参数量。使用改进后的网络与粗粒度缺陷定位方法结合,提出一种定位窗口检测方式,利用缺陷分割网络定位得到的缺陷坐标集合,迭代更新检测窗口,减少窗口无缺陷无效检测次数。在自建的焊缝缺陷目标检测数据集上进行实验,结果表明:改进后的网络相比原网络精度虽下降了4.5个百分点,但检测速度提升了4.8倍,定位窗口与滑动窗口检测方式相比较,在缺陷较少的焊缝图像中检测速度有较好的提升。（3）焊缝缺陷辅助检测系统。根据提出的检测方法,使用Python与C++语言开发了X射线焊缝缺陷辅助检测系统,该系统具有焊缝图像缺陷检测与增强功能、信息记录功能、账号管理与数据集管理功能,能够帮助检测人员更好地定位缺陷,满足信息记录等工作需求。