航空发动机是飞机飞行的动力来源,其安全质量直接影响飞行器的安全与性能。发动机叶片是航空发动机的核心构件之一,由于发动机长时间在恶劣的环境中工作,发动机叶片容易受到高温、高压、复杂应力环境的影响从而故障率较高,为保证飞机适航飞行、提高叶片损伤检测精度和效率,本文将卷积神经网络应用到叶片损伤识别中从而提高叶片损伤识别和分类效率,实现叶片损伤自动检测和快速分类。主要研究内容包括:1.研究孔探检测中叶片损伤图片特征,以此来制作和收集叶片损伤模型数据集,采用优化后的双边滤波方式对损伤图片进行图像平滑去噪,选择合适的数据增强方式扩充训练集,为后续的网络测试制作了图像数据集;2.比较现有典型的卷积神经网络的网络结构和算法之后,选择了残差网络作为研究基础模型结构,选择并测试了若干优化算法的优化效果,将优化算法与CNN结合进而提高网络学习精度和学习效率,确定优化模型,该模型的叶片模型损伤识别率达到了96.75%;3.制作叶片损伤数据集并对优化模型进行验证,在数据集数据较少的情况下进行两次迁移学习来尽快学习网络底层特征,测试不同超参数得到最终的叶片损伤识别网络模型,叶片损伤图像的总损伤识别率达到了94.17%。针对检测精度较低的叶片卷边损伤,确定某一具体损伤后研究其网络可识别的图片拍摄角度以及光源对拍摄角度的影响。