及时检测到金属材料存在的裂纹缺陷,是保证工业生产安全和工人的人身安全的重要措施,因此,对金属设备的关键部件进行无损检测,定位裂纹缺陷的位置,提取裂纹缺陷特征信息,对于保证设备的安全运行和提高工业生产效率具有重要的现实意义。本文基于涡流脉冲热成像检测技术,搭建了基于涡流热成像检测实验平台,建立涡流热成像裂纹缺陷检测识别模型,实现了对金属部件裂纹缺陷的无损检测与定量分析。论文围绕金属材料红外热图像特征提取和裂纹缺陷识别等问题展开研究,解决裂纹缺陷检测与定量分析等关键问题。本文主要的研究内容有以下4个方面:（1）建立了涡流脉冲热成像裂纹缺陷检测实验平台。该平台基于涡流加热原理,对金属部件加热并获得红外热图像,通过远程传输将红外热图像上传到上位机进行分析。该系统硬件的采集部分由红外点阵测温模块,控制模块为STM32F407VET6芯片,远程无线传输的Wi Fi模块型号为ESP-32S。通过无线传输将采集的数据进行存储和发送到上位机软件,上位机软件将传输的温度信号在线实时转化为红外热图像来进一步分析,最终实现对金属材料裂纹缺陷状态的远程实时监测。（2）提出了一种多特征提取的红外热图像裂纹缺陷检测方法。提取金属材料红外热图像的特征是建立金属材料健康状态识别模型的关键,论文提取金属材料红外热图像的颜色特征和纹理特征,用于构建红外热图像多特征集,输入到ELM（Extreme Learning Machine）的裂纹缺陷识别模型。实验证明,提出的方法可以准确识别出含裂纹缺陷的红外热图像。（3）基于ELM的红外热图像裂纹缺陷识别模型,受到极限学习机参数的随机选择的影响,导致其识别模型的性能和识别精度的不稳定。为了解决上述问题,提出了基于结构聚类优化的ELM（Structure Clustering Optimization Extreme Learning Machine,SCO-ELM）红外热图像裂纹缺陷检测方法。通过近邻传播（affinity propagation,AP）聚类算法自动确定K-means的聚类数目,用于优化ELM分类模型的结构和参数,即将K-means的聚类数目、聚类中心和聚类半径,用于确定极限学习机模型的隐含层节点数目和激活函数隐层节点中心的扩展宽度等参数。实验证明了该方法能够有效提高ELM分类模型的识别性能。（4）针对裂纹缺陷定量分析问题,提出了一种基于OTSU和Canny算子的红外图像特征提取方法,首先对分类识别出含裂纹缺陷的红外图像进行降噪处理,增强图像中的特征信息;然后用OTSU算法将裂纹区域从背景区域分离出来,并用Canny算子提取裂纹区域的完整边缘,最终获得裂纹边缘的周长和面积等特征信息。实验结果表明,该方法能准确定位红外图像裂纹边缘区域,提取红外图像裂纹边缘特征信息。本文以金属材料红外热图像作为研究对象,搭建了红外热图像无损检测实验平台,论文围绕金属材料红外热图像特征提取、裂纹缺陷识别模型不稳定以及裂纹定量分析的展开研究,取得的成果对金属材料裂纹缺陷的检测与定量分析等工程实际问题具有理论指导意义。