复杂形面部件的多物理成像与缺陷定量评估是现有无损检测领域所面临的科学与技术难题,本文对此开展研究,提出了一种基于“特征提取-特征选择-融合决策”的特征融合成像检测框架,基于该框架结合有监督深度学习研究了深度模式区域学习算法,以解决复杂表面环境下微小缺陷的检测与定位问题;基于该框架结合无监督深度学习研究了深度残差融合网络,以实现在静止与运动下的多物理成像与缺陷定量评估。本文的主要研究内容与创新点概述如下:1)针对复杂形面部件的多物理成像与缺陷定位,提出了一种基于“特征提取-特征选择-融合决策”的特征融合成像检测框架,讨论了该框架对于具体应用案例进行基于深度学习的启发式的融合决策设计,对于具有样件库进行实验采集和数据增广构建有监督学习训练集的情况,提出了深度模式区域学习进行缺陷定位;对于样件有限,需要利用大规模公开数据集进行无监督学习的情况,提出了深度残差融合网络进行多物理成像。通过结合多个应用验证,探讨了如何根据物理场的特点进行特征提取与特征选择,证明了该框架可以应用于多种无损评估任务之中。2)结合特征融合框架,研究了对应仪器特性和物理场的特征提取方法。针对多层结构中缺陷对比度低的技术难点,对四种玄武岩纤维-碳纤维混杂纤维复合材料进行了脉冲式光激励热成像实验,比较了稀疏特征对于缺陷处对比度的提升效果,并与超声扫描成像进行对比,验证了该稀疏特征对于振动红外热成像对比度提升的有效性;针对不规则几何结构中缺陷信噪比低的技术难点,研究了低秩特征对于对三维铝-碳纤维复合材料信噪比的提升,通过长波与中波红外相机进行了脉冲式光激励热成像数据采集,将低秩特征与X射线层析成像结果进行了对比,验证了该特征降噪的有效性。3)通过将特征融合框架与有监督学习相结合,提出了深度模式区域学习算法。针对金属表面缺陷与复杂表面环境的焊缝处微小缺陷检测与定位的技术难题,利用深度模式区域学习算法实现了对复杂形面下金属表面缺陷的电涡流脉冲热成像和定量评估,以检出率为评价指标,同其他热成像信号处理领域内的前沿无监督算法进行了对比,验证了该方法对金属表面缺陷定量评估的有效性。4)结合特征融合框架,提出了多激励红外融合成像方法。针对高表面发射率多层材料的缺陷定量评估技术难题,搭建了基于光激励红外热成像与振动式红外热成像的多激励红外热成像实验平台,对于六个铝-玄武岩纤维/玻璃纤维复合材料冲击导致的形变区域,利用多激励红外融合成像方法进行了融合成像与形变面积定量评估,验证了该方法对于高表面发射率多层材料的多物理成像与缺陷定量评估的有效性。5)通过将特征融合框架与无监督学习相结合,提出了深度残差融合网络,针对连续波太赫兹动态扫描曝光不均衡的技术难点,利用深度残差融合网络进行了缺陷信息补偿,并设计了文化遗产动态线扫描检测系统,对文化遗产镶嵌工艺品和著名画家惠斯勒19世纪创作的名画《灰与黑的协奏曲》进行了扫查实验,验证了该系统在动态扫描过程中对缺陷定量评估的有效性,实现了49.2 mm/s的高速扫描成像;同时,针对植物纤维复合材料具有空间结构复杂性的技术挑战,利用深度残差融合网络首次实现了植物纤维复合材料对应深度下的红外-太赫兹融合成像与全深度三维重构,结果与X射线层析成像进行对比,该成像方法达到0.5 mm的空间分辨率,验证了该方法对于复杂空间结构三维定量表征的有效性。这两个案例也证明残差融合网络能适用于运动与静止情况下的多物理成像与缺陷定量评估。