建立X射线焊缝图像信息库可提高胶片管理与射线检测服务水平。特种设备企业在建立信息库时需对图像中的焊缝信息进行检测并将其作为入库依据,该信息检测过程可看作机器视觉中的目标检测任务。近几年深度学习中的卷积神经网络在目标检测领域取得了很好的效果。为获得更高的检测准确率,网络设计朝着层数更深、结构更复杂的方向发展,但这导致产生的庞大计算量与参数量对硬件的计算与存储能力要求较高,使得深度学习无法很好地适用于设备资源有限的实际应用中。针对上述问题,本文根据焊缝图像及其信息特征的特点提出了基于轻量化神经网络的X射线焊缝图像信息检测方法,并根据检测任务难度差异分别在YOLO-V3与tiny-yolo网络基础上进行优化:（1）使用焊缝图像数据对锚框尺寸进行K-means++聚类分析,并设置适合本文任务的锚框尺寸;（2）采用分组卷积与深度分离卷积进行网络轻量化;（3）结合待测对象特征进行网络结构调整,设计出了分别用于中心标记与识别标记检测的YOLO-z与YOLO-s网络。同时,对于不同焊缝图像亮度差异较大的情况,本文通过对卷积神经网络可视化分析,证实了卷积神经网络对光照变化有较强的鲁棒性,可以有效解决光照亮度差异影响焊缝图像信息检测精度的问题。最后,使用数据集1、2分别从精确率、召回率等方面对不同网络进行对比实验。实验验证了本文提出的YOLO-z与YOLO-s网络可以在保证较高信息检测精度的同时,大幅度减小模型尺寸,降低计算复杂度,加快模型训练与检测速度,从而降低对搭载网络设备的要求。达到降低企业经济与时间成本的目的,实时性与实用性较强。