无损探伤技术在工业生产中有着广泛的应用，其中通过X光成像再结合人工检查的方式最为普遍，轮胎生产就是一个典型的案例。随着市场的庞大需求和汽车工业的高速发展，全世界每年的轮胎产量都在大幅攀升，所以进行无损探伤的人力成本非常高昂。　　轮胎X光图像可以无损对其内部结构进行展示，因而是对轮胎进行质量检验的主要依据。实际应用中，轮胎X光图像保留有轮胎不同类型病疵的特征，专业的质量检验员会据此进行病疵类型及正常情况的分类。本文的主要内容是建立图像分类模型，代替人工完成质量检验。　　首先本文对数据集中的图像进行预处理，减少噪声的影响并增强病疵轮廓。然后本文提出一种称为轮胎X光图像分类(XrIC)的基于卷积神经网络的图像分类模型，能够以整张图片作为输入，输出分类结果。接着本文提出一种基于XrIC网络的图像分割算法，将整张图片分为左胎侧、右胎侧和胎面三部分，再将各部分切分为小图，基于小图进行训练得到小图的分类模型，通过结果合并完成识别。这种算法相比XrIC网络算法效果有一定的提升。　　在对上述图像分类算法进行研究与实现后，本文再通过目标检测算法对轮胎X光图像进行分类。首先采用Faster R-CNN对图像中的病疵进行识别和定位，经过简单的结果合并取得了不错的效果。但是进行结果分析后发现，图像中底纹对病疵的识别有比较大的影响，因此本文又提出一种底纹去除算法，对数据集图像进行处理，然后基于Faster R-CNN进行目标检测，最后给出一种结果合并的规则。最终这种基于Faster R-CNN的图像分类算法达到了比较好的效果，尤其在底纹影响较大病疵类别上综合评价指标有显著提高。