针对核电站中传统的胶片检测存在的耗时长，存储查询不方便等特点，本文对CR图像的最佳灰度值进行了研究，测试了在不同的管电压和扫描强度下，数字图像的灰度值的变化情况，找出了最适合人眼观察的灰度值，之后对数字图像进行了去噪分析和边缘提取，并提取缺陷的关键特征，利用神经网络进行自动识别。研究CR图像最佳灰度值发现，CR图像的灰度值随着管电压的增大而增大；随着扫描强度的增加也会成上升趋势；因母材和焊缝区的材质不同，母材区的灰度值要略高于焊缝区的灰度值；受IP内荧光受激物质特性的影响，灰度值曲线会有波动。在分析了CR图像噪声的来源后，分别采用中值滤波、领域滤波和高斯滤波对图像进行了仿真处理。仿真结果表明，邻域滤波可以很好地消除图像中的颗粒噪声，对高斯噪声的滤除效果较好，但对椒盐噪声的去除效果不是很理想。中值滤波对椒盐的去除效果非常好，而且对不同尺寸的模板，模板越大，去噪效果越好，但是代价是模糊程度的增加。维纳滤波能很好地消除图像的高斯噪声，能很好地保存图像的高频细节。不适用于椒盐噪声的滤除。用Robert算子、Sobel算子和LoG算子对图像的边缘进行了提取。由焊缝边缘的检测结果可知，拉普拉斯高斯算子对图像边缘的检测效果最好，更适合人眼观察。最后，根据缺陷的种类和输入参数的个数确定了相应的BP神经网络，对训练后的网络进行测试发现，神经网络得出的数据分离效果较好，能很好地区别不同的缺陷类型，达到了预期的目标。