内部缺陷识别是航空钛合金铸件质量检验的关键环节,直接影响着航空发动机等重大装备的服役性能。当前,航空钛合金铸件内部缺陷识别多由人工在暗室中通过目视完成,高强度工作量易使工作人员的身心状态发生波动,以及不同人员的经验和专业水平存在差异,都会导致缺陷识别的可靠性、稳定性得不到保障,甚至影响飞行器的安全性。采用深度学习与数字X射线图像驱动的航空钛合金铸件内部缺陷自动识别是发展趋势。然而,航空钛合金铸件数字X射线图像中缺陷尺度（缺陷区域面积）分布范围广,部分缺陷类间差异小、类内存在差异,缺陷样本量小,导致缺陷自动识别存在3个难题:（1）X射线图像中的多尺度缺陷分割定位难;（2）缺陷X射线图像的高判别性特征提取与分类难;（3）缺陷X射线图像仿真生成难。针对此,本文从多尺度缺陷分割、缺陷图像高判别性特征提取与分类、缺陷图像仿真生成3个方面,开展航空钛合金铸件内部缺陷自动识别关键技术研究,主要工作及成果如下。（1）研究如何在多尺度缺陷并存的情况下,以较高的精度实现高分辨率航空钛合金铸件X射线图像中的缺陷分割定位。将高效轻量级注意力模块嵌入于Unet的各级跳跃连接处和各相邻两级的特征融合处,形成注意力加强的多级特征金字塔,建立ASCUnet（Ameliorated Skip Connection Unet,改进跳跃连接的Unet）模型。提出适用于航空钛合金铸件X射线图像缺陷分割的数据增广策略,结合迁移学习训练ASCUnet模型。研究高效轻量级注意力模块对Unet系列模型在本文任务中发挥性能的影响,结果表明:高效轻量级注意力模块使模型的MIo U（Mean Intersection over Union,平均交并比,用于定量描述分割精度）提升了4.5%。通过将ASCUnet与其他四种先进的模型对比,研究模型结构对分割性能的影响,进一步揭示在以小尺度缺陷为主的缺陷分割任务中ASCUnet性能更优的原理:融合包含空间信息的低级高分辨率特征比选择主干网络对模型分割性能的提升效果更显著。在185张子图像上进行缺陷分割测试,ASCUnet以90.4%的MIo U、平均1.736 FPS（Frames Per Second,每秒帧数）的速度较为快速、精确地实现了多尺度缺陷并存情况下的缺陷分割定位。（2）研究如何提取内部缺陷X射线图像的高判别性特征,并在此基础上以较高精度实现缺陷分类。以121层稠密连接神经网络的特征提取部分为主干,将提取的特征分别作为双线性池化层的两个输入,建立BX-Net（Bilinear Xray Image Classification Neural Network,双线性X射线图像分类神经网络）模型。提出适用于内部缺陷X射线图像的数据增广策略,结合迁移学习训练BX-Net。采用数据降维方法将提取的特征映射至二维空间,对比研究BX-Net与其他八种方法提取的特征的二维空间映射分布,结果表明:只有BX-Net提取的特征的二维空间映射分布与期望的高判别性特征的二维空间分布相吻合,表明了BX-Net所提取的特征具有高判别性。在100张图像上进行缺陷分类测试,BX-Net以较少的参数量（1.22e7）、较高的查全率和精确率（90%以上）实现了缺陷图像的分类。（3）研究如何生成新的有效的缺陷图像,为自动识别方案提供更多缺陷样本。建立深度生成模型框架,研究不同卷积核尺寸和生成图像的分辨率对生成的缺陷X射线图像视觉质量的影响,结果表明:卷积核尺寸为5×5、生成图像的分辨率为128×128 pixels时,生成的缺陷X射线图像视觉质量最高。根据上述卷积核尺寸和生成图像的分辨率构建深度生成模型,生成真实数据集不包含的视觉质量较高的四类内部缺陷X射线图像。利用BX-Net对生成的包含四类缺陷的图像集进行本征分布估计和分类,获得了与真实数据集相同的本征分布,验证了本文所建立的深度生成式模型的可用性和其生成图像的有效性。（4）以ASCUnet和在仿真生成的数据集上微调后的BX-Net为内核研发航空钛合金铸件X射线图像缺陷自动识别软件,在具有变截面复杂结构的进气管X射线图像集上进行测试。与专业人员识别的结果进行对比,软件最终以2.4%的漏检率、6.7%的误报率、95.8%的分类精度、5～6秒/张的处理速度（计算平台的GPU为RTX 2070Super）完成了测试,极大提升了航空钛合金铸件内部缺陷识别工作的效率和自动化水平,有望推动航空钛合金铸件内部缺陷识别工序迈向数字化管理的进程。