航空发动机叶片作为航空器重要的零件,其健康状况直接关系到航班的运行安全。叶片由于工作环境恶劣很容易产生裂纹、掉块、压坑等损伤,及时准确的日常检查对于维护叶片状态良好,保证航空器适航具有重要的意义。目前基于孔探技术的叶片损伤检测以人工为主,检测结果在很大程度上受到人为因素的影响。因此,实现叶片损伤的自动识别及测量对于减轻劳动强度和提高检测精度都有实际的应用价值。考虑到发动机内部结构复杂,传统的图像识别方法和深度学习领域中的目标检测技术各有优势,但是希望通过自主学习物体特征实现目标的自动识别与定位。因此本文首先采用YOLOv3模型和faster R-CNN(ZF)模型对收集到的孔探图像进行损伤识别定位;然后针对上述各模型的叶片损伤特征提取能力进行改进得到YOLOv3-dense模型和faster R-CNN(改进ZF)模型;最后在相同的数据集上分别进行训练和测试,经过检测精度、召回率等方面的评价将得到的检测结果进行对比选出性能最优的模型。在完成损伤识别与定位后需要对损伤进行尺寸测量,本文以掉块类型为研究目标。首先明确了损伤测量的特征点;然后结合八链码与伪边缘去除等方法扫描出受损叶片的轮廓曲线;最后使用Hermite二阶插值方法拟合轮廓曲线以便利用导数关系求得特征点进而获取损伤尺寸,并与实际值对比验证了方法的正确性。本文的损伤检测模型和测量方法虽然无法达到百分百的精度,但是为航空发动机叶片缺陷的自动检测提供了一种切实可行的解决思路,为相关的产品研发提供了理论支撑。