在超声多物理量（如厚度、应力、缺陷等）测量过程中,超声回波声时差的快速精确提取是影响测量效率与精度的重要因素。然而,由于零件几何和物理特性导致的声时差动态变化,声时计算过程中只能采用人工手动选取回波闸门,严重制约超声测量的效率与可靠性;当相邻回波到达时间接近时,极易发生回波混叠,无法完成声时的精确计算;超声测量过程中信号易受到环境噪声等影响,信号信噪比低,峰峰法、包络法等声时计算方法计算精度低。神经网络具有的深度特征提取能力与“端到端”的学习方式可极大提高计算效率并避免人工提取特征引起的精度下降,因此,基于深度学习开展超声声时自适应计算方法研究。针对声时差动态变化时超声闸门无法自动追踪的难题,建立基于长短期记忆网络的超声闸门自适应追踪网络模型。为提高网络识别准确率,结合时频信号处理方法优化网络,应用高通滤波和傅里叶同步压缩变换方法减小激励信号和高频噪声影响,基于短时能量排除多次回波干扰。结果表明,提出的时频优化方法将闸门准确率提高到95%以上。为实现混叠回波的声时差精确计算,设计基于一维卷积神经网络的混叠回波分离网络和声时计算网络。基于高斯超声信号模型生成模拟数据集实现网络训练。开展不同信噪比条件和回波混叠程度下的回波分离仿真试验与不同噪声强度下的声时计算仿真试验,并分别与峰峰法、互相关法、LMS自适应法对比分析,仿真试验结果表明提出的网络最高可实现75%混叠程度回波的分离和5%以下的声时计算精度。基于C++语言和QT框架开发了多功能超声测量系统软件,集成了项目管理、超声收发设置、测量管理、标定管理、材料库等多个功能模块,实现厚度、应力一站式快速精确测量。开展薄壁零件测厚试验和焊接零件残余应力扫查试验,验证软件系统的有效性及提出算法的可行性。