焊接被广泛应用于军事、能源、航天、运输等领域。母材焊接处形成的焊缝,由于多种因素影响,有可能存在缺陷,其中尤其是内部缺陷会给设备带来极大的安全隐患,因此焊接设备的内部缺陷检测对设备安全运行至关重要。使用X射线对焊缝及热影响区的内部进行检测,是一种被大规模使用的缺陷检测技术。随着机器学习和图像处理技术的发展,通过计算机实现缺陷检测的自动化成为重要趋势。在利用X射线进行焊接缺陷检测的过程中,由于缺陷尺寸及形状各异且相差较大,且存在一些长宽比比较大的形状特异缺陷,影响了缺陷检测模型的检测效果;同时,当将整张图像输入网络模型进行缺陷检测时,在增大计算量的同时会引入伪缺陷。针对上述问题,本文对基于X射线图像的焊接缺陷检测方法进行了深入研究,主要工作如下:第一,针对将整张图输入网络进行缺陷检测,会增大计算量且引入伪缺陷的问题,设计了基于DSRes Net的焊缝检测模型,利用该模型提取出焊缝区域后再检测缺陷。为降低模型所需的空间资源和计算资源,利用深度可分离卷积对残差结构进行改进,得到改进的残差结构DSRes Unit,该结构实现了空间卷积和通道卷积相分离。实验结果表明,该焊缝检测模型在有效提高检测精度的同时减少了参数量。第二,为了提高形状特异缺陷的特征提取效果,将可变形卷积加入到骨干网络Res Ne Xt101 32x4d的深层部分,并使用FPN的多尺度特性来缓解缺陷大小差异较大的问题。实验结果表明,在骨干网络Res Ne Xt101 32x4d中加入可变型卷积,有效提高了缺陷的检测精度,极大地降低了缺陷的误检率。第三,针对焊接内部缺陷形状各异且差异大的特点,提出了形状感知网络（Shape-Aware Network,SA-NET）,该网络包括形状自适应区域建议网络（Free Shape Region Network,FS-RPN）和两级回归检测头（Two Regression Head,TR-Head）。FS-RPN首先预测特征图上每个位置对应的锚框形状,然后根据预测的锚框形状对齐特征图,接着使用对齐后的特征预测锚框的偏移量和前景分类分数;TR-Head使用一个回归分支对候选区进行回归以提高候选区质量,然后使用另一个非共享权重的分类和回归分支进行预测。实验结果表明,形状感知网络有效提高了候选框的质量,从而提高了缺陷的检测效果,尤其是降低了缺陷的误检率。