近年来中国的航空事业发展迅速,飞机的飞行时间不断增加,长期运转使得留机导管部件表面出现不同程度的磨损,及时有效的检修工作对于提高飞机的利用率具有重要意义。目前对于留机导管的缺陷检测工作大多依赖于人工目测和传统图像处理方法,存在主观性强、检测效率低、劳动强度大和通用性较差等问题,不能满足智能化留机导管缺陷实时检测需要。为解决上述问题,本文提出了基于深度学习的航空留机导管缺陷检测方法,该方法具有实时性和高精度等优点。论文的主要工作如下:（1）针对留机导管缺陷目标数据不常见的问题,本文在实验室环境下自制留机导管缺陷数据集。首先采用工业摄像头获取缺陷样本,然后对样本图像进行尺寸变化、剪裁与噪声处理等增强操作以实现数据扩充,最后手动标注数据并将其按比例划分,获得规范的留机导管缺陷数据集,为本文算法研究提供数据支撑。（2）结合两阶段目标检测模型Faster R-CNN的结构特点和留机导管各类型缺陷特征,提出了一种基于改进Faster R-CNN的留机导管缺陷检测算法。改进内容包括:依据本文构建的数据集设计新的锚框比率;引入ROI-Align结构避免取整量化,提高小尺寸缺陷回归定位的准确度;使用Soft-NMS算法以降低密集缺陷目标的漏检概率。实验表明,改进的Faster R-CNN模型的平均检测精度比原始Faster R-CNN提高约10%,达到82.85%。此外,单张图片的处理时间为1.5s。（3）由于两阶段留机导管缺陷检测方法不能满足实时检测的需求,本文结合一阶段目标检测模型YOLOv4的结构特点和留机导管缺陷特征,提出了一种基于改进YOLOv4的留机导管缺陷检测算法。改进内容包括:采用K-means算法重新聚类获取适合留机导管缺陷数据集的先验框大小;修改主干网络和特征增强模块间的结构以提高网络的特征提取能力;引入旋转检测模块以及多向量回归损失函数以提升大横纵比缺陷的检测效果。此外,对留机导管缺陷数据集重新进行旋转标记以适应改进的YOLOv4旋转检测算法,并从学习率、激活函数等角度进行实验以确定算法的最优参数配置。最后,在最优参数配置的基础上设计多个对比实验以验证本文所提算法的性能表现。实验表明,无论在单类型缺陷检测精度上,还是在平均检测精度上,改进的YOLOv4模型均为最优,其平均检测精度达到92.82%,而且单图处理时间约为48ms,实现了对留机导管缺陷目标实时精确的检测。（4）基于改进的YOLOv4算法,设计并搭建一个留机导管智能缺陷检测系统。该系统主要由图像采集、缺陷目标检测和信息展示与存储三大模块构成,实现了自由检测模式及工艺表模式等功能。分析检测结果可知,该系统具有高检出率、低误检率和低漏检率等优点,满足实际飞机检修工作的指标要求。