焊接缺陷检测是保证焊接产品质量的重要手段，传统的缺陷检测方法主要依靠人工对焊接X射线图像进行评判，效率低、误检率高。近年来，利用图像处理技术进行焊接缺陷自动检测已受到各国研究者的重视。本文在前人研究成果的基础上，研究了焊接缺陷检测涉及的焊接缺陷图像去噪、图像增强、图像分割、特征提取及分类方法，主要工作如下：首先，提出了一种基于小波-Contourlet变换和各向异性扩散的焊接缺陷图像噪声抑制方法。利用小波-Contourlet变换对焊接缺陷图像进行分解；对得到的低频和高频分量分别进行改进的TV和Catte_PM/核各向异性扩散处理，最后，利用小波-Contourlet逆变换进行重构，得到噪声抑制后的图像。结果表明，与CTND、WSTV和CPMTV三种噪声抑制方法相比，该方法的噪声抑制能力更强，且更为完整地保留了焊接缺陷图像的细节边缘信息。然后，研究了一种基于非下采样Shearlet变换和非线性增益函数的焊接缺陷图像增强方法。首先，利用非下采样Shearlet变换将焊接缺陷图像分解成一个低频子带和若干高频子带；然后利用基于非线性增益函数和图像分割方法调整低频子带系数，依据高频子带系数分布自适应地调整阈值和增强函数，并对高频子带进行增强处理；最后，对增强后的高低频子带系数进行非下采样Shearlet逆变换，实现焊接缺陷图像的增强。实验结果表明，与Contourlet域增强方法、NSCT域增强方法相比，该方法能够有效地提升图像的对比度，缺陷的边缘细节更为清晰。随后，讨论了一种基于指数交叉熵和改进的PCNN焊接缺陷图像分割方法。该方法根据图像灰度信息改进了PCNN中的连接权矩阵和动态阈值函数，并通过改进的PCNN对焊接缺陷图像进行分割；利用分割前后图像间的指数交叉熵确定最佳迭代次数。实验结果表明，本文方法的焊接缺陷分割结果优于TECE方法和PCNN方法。接着，实现了一种基于改进CV模型和PCNN的NSST域焊接缺陷提取方法。首先对焊接缺陷图像进行NSST分解，对得到的低频分量采用PCNN提取出缺陷的主要区域；然后，利用背景抑制后的低频分量和高频分量构造出高频特征图像，并对其进行粗分割，利用改进的CV模型寻找最优轮廓，提取出缺陷的精细轮廓；最后，融合缺陷的主要区域和精细轮廓信息得到最终的结果。实验结果表明，与STCE方法、PCNN方法及NSCT结合PCNN方法相比，本方法提取的缺陷结构更为完整，缺陷轮廓更为精细。最后，提出了一种基于Contourlet变换和混沌粒子群优化KPCA的焊接缺陷图像特征提取方法。首先通过Contourlet变换提取图像的低频分量和特定方向上的高频分量；然后运用混沌粒子群优化后的KPCA分别提取缺陷训练样本和缺陷测试样本的特征；最后根据测试样本特征与训练样本特征之间的欧式距离确定缺陷测试样本的类型。实验结果表明，与KPCA方法和小波KPCA方法相比，本文方法提取的特征更为完整，识别率更高，运行速度较快。