点阵结构是一种结构-功能一体化的新型有序多孔材料,具有超轻、高比强度、高效散热隔热等特性。使用增材制造技术(Additive Manufacturing,AM)制备的点阵结构对于航天科技发展及航天强国具有非常重要的意义和促进作用。增材制备过程中较易产生大量残余应力而造成结构缺陷,在很大程度上会降低制备材料的性能,对结构的寿命和可靠性产生严重的影响。因此,对增材制造技术制备的金属点阵结构进行无损检测研究具有非常重要的意义。本文以选择性激光熔化(Selective Laser Melting,SLM)技术制备的多层金属点阵结构构件为研究对象,重点开展了点阵结构内部缺陷的检测识别新方法的研究。首先,针对金属点阵结构内部结构复杂、且不易直接检测的特点,提出了一种基于工业CT扫描的金属点阵结构内部缺陷检测的方法,利用工业CT射线的高穿透性和衰减特性对金属点阵结构进行图像重建。其次,根据金属点阵结构呈周期分布的结构特性和其CT断层图像中像素点灰度值的分布特征,提出一种基于CT断层灰度图像素点灰度值分布特征的缺陷检测识别方法,通过一定尺寸的像素点集合灰度值总和之间的差值变化作为点阵结构某典型缺陷的特征,理论分析给出了相应的判别条件,实现对缺陷的识别定位。最后,结合深度学习优异的特征提取能力,提出了一种基于Faster R-CNN的点阵结构内部缺陷自动识别方法。结合卷积神经网络,在Faster R-CNN网络架构的基础上设计一个特征学习网络,将金属点阵结构断层灰度图像中的部分缺陷进行平移、翻转、缩小和放大处理,制备成金属点阵结构内部缺陷样本集。通过对缺陷训练集进行训练得到缺陷检测模型。并且从识别准确率和算法运行速度两方面,对论文所提出的两种缺陷自动识别方法进行对比分析,验证每种算法对一种多层的复杂点阵结构的内部缺陷进行识别的有效性。