陶瓷基复合材料是目前国际上公认的下一代航空发动机核心构件的基础材料,缺陷检测结果是判断构件合格与否的重要依据。复合材料多孔、非均质,CT(Computed Tomography,计算机断层扫描)检测图像特征复杂,疑似缺陷数量巨大,判别缺陷需要结合三维结构信息。受限于检测的经济成本,构件缺陷样本绝对数量少,缺陷和非缺陷类别严重不均衡。为此,本文从异常检测和缺陷分割两个方面入手,研究了复合材料构件的缺陷检测方法。使用异常检测算法可以有效利用构件CT切片图像中数量较多的无缺陷样本,从而缓解缺陷样本数量少、类别不均衡的问题。在图像异常检测中,生成式异常检测算法通常对正常样本进行建模,利用重构误差判断异常样本。已有的图像生成模型如VAE(Variational Auto Encoder,变分自编码器)、GAN(Generative Adversarial Networks,生成对抗网络)在应用于异常检测时存在问题。对VAE而言,主要问题是生成样本的质量较低,对GAN,主要问题是难以对输入进行重构。因此本文结合了二者的结构,在生成对抗网络中加入编码器,使得生成对抗网络可以对输入进行重构;同时使用对抗训练约束编码分布,使其接近高斯分布。实验证明,这种结构可以很好地重构或生成CT切片图像中包含的复杂几何形状。在异常检测中,本文假设仅在正常样本上训练的生成模型在训练结束后对正常样本的重构误差低于异常样本,提出使用重构误差评估异常分数。将缺陷样本作为异常样本,无缺陷样本作为正常样本,评估了目前基于生成对抗网络算法的性能,结果显示,本文提出方法性能达到了同类算法最优。对异常分数的分布和编码空间的分析表明,本文在异常检测方面做出的假设与实际吻合。异常检测算法可以判断样本中是否存在疑似缺陷。但一方面异常检测无法给出缺陷的具体形状和位置,无法满足分析缺陷分布规律的要求,另一方面异常检测算法在计算效率和性能上存在瓶颈,因此本文进一步探索了端到端的缺陷分割算法。考虑到现有的标注工具无法分析三维图像,为了直观地分析缺陷,本文使用光线投射法对构件CT图像进行了三维可视化。进一步地,本文对缺陷样本和语义标签进行了三维可视化。可视化分析工具允许我们直观地观察缺陷的三维结构,分析标注的正确性,提高标注的质量。此外,为了降低分割标注的工作量,本文提出使用异常检测算法生成标注建议,找出可能包含缺陷的区域,然后进行人工修正,从而简化标注流程,降低标注工作量。在此基础上,本文使用U-net对构件CT切片图像中的缺陷进行分割,得到了较好的分割结果。实验证明,在缺陷样本数量较小的情况下,U-net网络目前最合适的选择。进一步,本文讨论了将异常误差图用于空间注意机制的可行性,指出异常图可以用于语义分割网络的浅层注意图。