航空发动机叶片在高温、高压、高转速的作用下，极易导致叶片性能下降，甚至造成叶片损伤，另外，高速运行的发动机在受到风沙、鸟等外物撞击时，也会对叶片造成损伤，如果这些叶片损伤情况不能及时的发现并排除将严重影响飞行安全，通过研究叶片损伤图像快速识别技术，可以实现对叶片损伤类型快速准确的判别，有利于对叶片故障进行预测和排除。因此航空发动机叶片损伤图像快速识别技术研究具有重要的应用价值。叶片损伤图像的分割和特征参数的提取是进行叶片损伤图像类型识别的前提条件。本文首先采用PNN神经网络方法对叶片损伤图像进行分割，实现了叶片损伤区域的有效分割；然后采用数学形态学方法对分割后图像做进一步处理，实现了对图像中噪声点的去除，得到了更准确的分割结果；最后采用边界跟踪算法和灰度共生矩阵算法分别提取叶片损伤图像的形状特征参数和纹理特征参数，进而得到识别模型输入量。考虑到传统的叶片损伤检测方法存在叶片损伤具体类型判别困难、检测结果可靠性低、检测过程自动化程度较低等缺陷。本文先采用改进GA算法优化RBF网络参数的方法建立单一优化的叶片损伤图像识别模型，并采用提取的形状和纹理特征参数样本进行实例仿真，结果表明，该方法的识别正确率为93.33%，同时建立单一未优化RBF网络模型并进行实例仿真，经过对比分析可知，单一改进GA优化RBF网络识别模型更加优越有效。由于单一改进GA算法优化RBF网络没有考虑到采集叶片损伤图像过程中不确定因素的影响，为进一步提高识别率和模型的稳定性，本文最后建立组合优化识别模型，即，采用D-S证据理论方法将两个单一优化RBF网络识别模型相融合，进而形成决策级信息融合的组合优化叶片损伤图像识别模型。实例仿真表明，该方法既能发挥RBF网络准确进行模式识别的能力，又能充分利用D-S证据理论表达模糊信息和处理不确定因素的能力，克服了单一RBF网络凭借某一个方面信息进行识别的不足，提高了识别器的鲁棒性、稳定性和识别正确率。