铝合金是工业中应用最多的一类有色金属结构材料,因其具备密度低、强度高以及抗腐蚀性能好等优点,被广泛应用于航空航天、海洋工程、石油化工以及汽车制造等领域中。在铝合金的冶炼和深加工过程中,因生产环境、工艺因素以及原始坯料质量好坏等问题使得构件中不可避免地产生各种缺陷,进而对服役结构带来重大的安全隐患。然而,目前对铝合金构件缺陷检测的方法中,缺陷检测的准确性、检测效率以及缺陷量化的精度均有待进一步提高。基于电磁感应原理的电涡流检测技术因具备准确、高效和便捷等优点而被广泛应用于金属构件的无损检测中。在分析了国内外电涡流无损检测研究现状的基础上,本文开展了铝合金构件缺陷电涡流检测和定量化评估的方法研究,主要的研究工作如下:(1)针对铝合金构件缺陷电涡流检测的复杂性,构建了电涡流检测的仿真分析模型,并在仿真模型的基础上分析了电涡流检测中扫描探头选型、线圈的外径参数、激励频率和绕制线圈线径的大小等参数对铝合金构件缺陷检测的影响。通过仿真分析,可为实际电涡流检测系统的参数设置提供指导,从而提高对铝合金构件缺陷检测的准确性以及缺陷边缘识别的精度。(2)针对铝合金构件缺陷电涡流检测过程中的噪声干扰问题,提出了一种基于字典学习的电涡流检测信号稀疏降噪方法,从而提高信号的信噪比。该方法根据缺陷电涡流检测信号本身的统计特性,采用基于K奇异值分解(K-means Singular Value Decomposition,K-SVD)字典学习的方法通过统计和学习构建电涡流信号的稀疏表示字典,通过学习构建的稀释表示字典能够对电涡流信号进行更加准确和充分的稀疏化。实验结果表明,相比于小波降噪方法,K-SVD字典学习降噪方法在多个噪声强度干扰下信噪比均提高了5d B~10d B,证实了该方法对铝合金构件缺陷电涡流检测信号降噪预处理的有效性。(3)针对铝合金构件缺陷电涡流检测信号非线性和非平稳特性导致特征提取困难,以及对构件缺陷识别分类的准确性和快速性问题,提出了一种基于核主成分分析(Kernel Principal Component Analysis,KPCA)和极限学习机(Extreme Learning Machine,ELM)的铝合金构件缺陷电涡流检测分类和定量化分析方法。该方法首先采用基于核的主成分分析方法对电涡流信号进行特征提取,其次在构建的缺陷特征信息基础上采用基于ELM的缺陷分类方法,实现了缺陷的准确和快速分类。最后分别研究了电阻、电抗和阻抗信号对缺陷量化分析的影响,分别提取了电阻和电抗信号并基于最小二乘线性拟合方法对缺陷进行量化分析。实验结果表明,该方法对构件的各个缺陷均能够准确识别分类,并且在对缺陷进行定量化分析中缺陷长度和深度相对误差分别在±10%和±8%以内,具有良好的实用性。(4)针对缺陷C扫描成像检测中无法同时满足检测效率和缺陷成像质量的问题,提出了一种基于压缩感知(Compressed Sensing,CS)的铝合金构件缺陷稀疏电涡流快速成像检测方法。该方法在压缩感知的理论框架下,从电涡流信号的稀疏表示、压缩观测和稀疏信号重构三个方面进行理论分析,通过实验实现了铝合金构件缺陷稀疏电涡流快速成像检测。实验结果表明,当压缩观测数量为信号稀疏度的4倍时,重构后的缺陷图像与原始C扫描图像的均方根误差低于0.005,且通过重构图像进行缺陷长度定量化分析的相对误差在±5%以内,具有良好的鲁棒性和适用性。本文以铝合金构件缺陷为研究对象,以电涡流无损检测技术为基础,完成了检测参数仿真分析、电涡流信号降噪预处理研究、缺陷信号的识别分类和量化分析、缺陷稀疏快速成像检测,丰富了铝合金构件缺陷检测的理论研究,推动了铝合金材料缺陷电涡流检测和量化评估的应用及发展。