复合材料中最常见的缺陷类型是脱粘和分层，由于光激励红外热成像技术具有速度快、检测面积大、容易操作等优势，是一种适用于复合材料的缺陷无损检测技术，在航天、军事等领域具有重要作用。但其原始检测结果会受到边缘信息、背景、噪声等因素的干扰，运用缺陷检测算法来提高原始结果的信噪比是必要的。目前，国内外学者提出了许多不同的检测算法来提取缺陷的特征、增加图像的信噪比，但存在一定的局限性，如：检测精度有待提高，复杂形状试件上的内部缺陷检出率有待提升等。本文针对上述问题，并考虑到分割网络在自然图像处理等领域取得的突出效果，将红外无损检测与深度学习相结合，分析对比基于时间和空间的分割网络模型，提出了基于时间-空间的交叉网络学习框架，提高了缺陷的检出率。本文的主要研究工作如下：　　（1）搭建了光激励红外热成像无损检测系统，使用该系统对制备的四种类型、直径和深度不同的缺陷试件进行检测。对获得的原始数据进行分析，发现可将其分解为空间模式和时间模式，从而探索了红外热成像与深度学习相结合的基本原理。为了增强缺陷区与非缺陷区的对比度，降低噪声的影响，运用常用缺陷提取算法——主成分分析（PCA）和温度图像重构法（TSR）对获得的数据进行处理，并分析比较了不同方法的优缺点。　　（2）通过对热视频数据的深度学习热空间特征和热时间特征进行分析，建立了对应的数据集，提出了一种结合时间和空间信息的深度学习网络架构，该方法可应用于光激励红外热成像系统对复合材料缺陷检测的自动分割。为了验证所提出方法的有效性和稳定性，运用该方法分别对常规和复杂形状的复合材料试件的内部脱粘缺陷进行了分割，并采用缺陷检出率（POD）对模型进行评估。结果表明，VGG-Unet交叉学习结构可以提高有缺陷和无缺陷区域之间的对比度。此外，本文针对信噪比低、缺陷深度更深的试件，在VGG-Unet中融入了PCA特征提取算法，最终获得较好的分割结果。