数字图像处理研究已经有多年的历史,许多相关理论均已成熟,各种算法和技术丰富。焊缝质量的高低直接影响到产品的使用安全性,要保证产品的安全性就需要对焊缝进行缺陷检测。X射线成像由于成本较低、成像速度较快等特点,一直是首要选择的成像方法。但由于成像技术的影响,X射线焊缝图像存在噪声多、对比度较低等缺点,人工识别的方式存在主观性且识别效率低下等问题,使得当前的检测方式准确率较低、识别速度低下。基于此,本文围绕如何提高现场X射线焊缝图像缺陷检测自动化水平和缺陷识别准确性开展研究,着重解决基于智能学习算法框架下的缺陷识别准确性问题。首先,通过对图像预处理过程的分析发现其对后期的缺陷识别准确率指标存在较为明显的影响。针对焊缝图像多噪声、低比度问题,通过采用图像增强技术和数学形态学处理方法,在不改变图像基本特征的情况下有效的增强图像并降低了图像噪声。实验结果表明取得了比较理想的结果。基于X射线图像中多缺陷特性,提出一种基于连续边缘的焊缝缺陷检测算法,对缺陷部分进行边缘检测及区域切割。通过精确定位缺陷位置来对进行焊缝区域进行标识,使后续的缺陷检测被局限在较小的区域内,能大大减少识别所需的时间;针对检测图像中色彩不丰富及缺陷种类较多这一特点,采用边缘检测的方法对图像进行初步检测,实现连续边缘区域背景的分割;针对无缺陷区域也存在连续边缘区域,选取特定特征,对图片进行特征数据提取,并用分类器对图片提取出的数据进行是否为有缺陷图片判断,进一步提高了缺陷识别的效率。通过对几种典型的缺陷检测算法的分析,结果表明,该算法能有效提取出X射线焊缝图像中的缺陷区域。缺陷检测与识别则是进行焊缝质量评估的重要基础。对于缺陷识别部分,提出基于seam-carving变换的卷积神经网络算法来进行识别分类,选用合适的网络结构,训练分类模型并对缺陷进行分类测试,基于所选出的最优模型,采用已确定缺陷检测和分类步骤对测试集展开训练和测试。针对训练样本不足影响的测试准确性这一问题,采用了神经元随机失活的方法,抑制过拟合现象。基于以上研究,本文实现了缺陷检测和识别算法,并在测试集上验证了算法的准确率。仿真实验结果表明,所提出算法对焊缝缺陷检测与识别的准确率达到95%及以上,运行时间控制在1秒以内。