压力容器在电力、石油、化工等工业生产领域有着广泛的应用,为了保证这些承压设备的安全运行,需要定期对其进行无损检测。传统的超声检测及射线检测等无损检测方法,或存在检测结果不够直观,或存在检测过程对人员有辐射等问题,针对这些问题,本文选用激光超声可视化检测技术对压力容器板材进行无损检测,该技术有检测精度高、非接触式检测、检测效果直观等优点。同时,针对缺陷识别效率低下、结果受人工因素影响较大等问题,提出了一种基于卷积神经网络的激光超声缺陷识别方法,并根据实际需要搭建了基于卷积神经网络和激光超声的缺陷检测系统。具体内容概括如下:（1）针对压力容器板材缺陷的识别方法与国内外现状进行充分调研,设计缺陷检测系统总体结构框架与工作流程,重点分析了基于激光超声可视化检测仪的超声图像获取技术、基于卷积神经网络的激光超声缺陷识别技术等关键技术。（2）采用激光超声可视化检测仪对板材试件进行检测,选用扫查式激光源在板材表面激发超声波,根据超声波成像技术将检测区域的超声波能量数据处理为检测区域的最大振幅图,从能量角度分析了超声波在板件的传播过程,结合3D模型、最大振幅分布数据以及实物比对,确定了将检测信号处理为最大振幅图形式可以反映出缺陷的信息,可以通过对最大振幅图进行图像识别来判断是否存在缺陷。（3）采用卷积神经网络的算法对最大振幅图像实现识别,结合最大振幅图像特征,对卷积核尺寸选择、算法选择、总体架构进行了设计。经过多轮训练与测试,对测试集数据实现了97.35%的缺陷识别率与6.50%的噪声识别率。识别精度方面,对于尺寸5mm以上的圆形缺陷以及4mm的方形缺陷有较高的准确度。对测试结果分析后,在图像归一化尺寸方面做出了改进,将识别成功功率提高至97.94%。（4）根据检测人员实际需求,对用户缺陷识别时的需求进行分析,搭建一个辅助用户完成缺陷识别的软件,该软件除实现缺陷识别外,还搭配数据库实现了图像管理、训练参数纪录、测试结果查询等功能,为用户提供了良好的操作界面及实用功能。