金属及复合材料广泛应用于工业生产生活中。对于飞机叶片而言,面临的主要问题有老龄飞机金属叶片和新型飞机先进复合材料叶片破损维修问题。金属及复合材料表面及内部缺陷的准确无损检测,对工件健康状况的评估具有重要的价值。基于激光热成像的无损检测技术具有能量集中和非接触式的特点,已广泛应用于材料的缺陷检测方面。但目前激光热成像在材料的检测过程中多是以逐点扫查的方式进行,检测过程十分耗时,并且无法对缺陷信息进行连续地判断,会丢失缺陷信息,大大削减检测效率与精度;另外,目前尚无有效的材料缺陷量化手段分析缺陷形状表征与深度辨识。因此,需要研究一种高效的针对金属及复合材料典型缺陷检测方法。通过对比不同材料缺陷检测技术的优劣,围绕金属及复合材料的缺陷检测,开展了适用于材料表面及内部分层缺陷检测的热成像系统的搭建、材料缺陷形状表征和缺陷深度辨识等方面的研究工作。主要有以下几方面内容:（1）针对激光热成像的检测原理,提出了基于点形激光脉冲激励和线形激光连续扫描激励的检测方法,对金属及复合材料的缺陷检测进行了分析。结合有限元分析方法,利用COMSOL仿真软件,建立了金属及多向铺层复合材料的热传导仿真模型,通过仿真分析,探索了激光热成像缺陷检测时,不同缺陷物理特性以及扫描速度对检测效果的影响,表明该方法在理论上的可行性,为激光热成像材料检测奠定了理论基础。（2）搭建了透射式和反射式红外热成像检测系统。通过激光光斑的整形,实现了线形连续激光扫描系统的设计。分析了不同激励方式时,不同缺陷类型对热波传导的影响。对不同线形激光扫查速度和热源功率等系统参数进行优化探索,实现了最优的金属及复合材料典型缺陷检测效果。采用透射式和反射式激光缺陷检测系统,对金属及复合材料表面不同深度裂纹、冲击损伤和分层缺陷检测效果进行了分析与对比,同时对航发涡轮叶片冲击损伤和表面划痕进行了检测。（3）针对传统基于一阶导数的形状表征算法在缺陷形状表征效果不佳的问题,提出了基于主成分分析的表征方法,对几种材料典型缺陷的形状进行表征。该算法不仅可以对金属及多铺层复合材料表面损伤进行精准表征,还可以实现一定的内部分层缺陷表征效果。该方法不仅提升了形状表征的准确率,而且实现了对内部缺陷的表征。最后,基于主成分分析的形状表征方法实现了航发涡轮叶片表面划痕的形状表征。（4）为了提升复合材料缺陷深度的辨识精度,将机器学习算法应用在金属及复合材料缺陷深度辨识中,并结合超参数搜索技术,采用灰狼优化算法对机器学习中的超参数进行优化;对4种不同深度的冲击损伤类别进行辨识,准确率达到了97%,对比随机搜索和网格搜索,该方法具有最佳的辨识精度;针对内部分层埋藏深度辨识问题,采用贝叶斯优化方法对支持向量机中超参数进行优化,结合分层缺陷实验数据,对5种不同埋藏深度的分层缺陷类别进行辨识,准确率达到了98%。（5）针对金属裂纹深度的辨识,在特征工程方面,提取了鲁棒性强的CTF和TDF缺陷特征,将两种缺陷特征温度信息作为机器学习分类器的输入,实现了对金属表面裂纹的深度辨识;为了提升金属表面裂纹深度辨识精度,提出基于改进的神经网络框架搜索的裂纹深度辨识方法,通过将NASCell单元作为RNN控制器搜索多层感知机模型结构,结合金属表面裂纹实验数据,对7种表面裂纹深度类别进行辨识,准确率达到了100%。