本文主要研究脉冲涡流无损检测系统中的缺陷信号提取和缺陷边缘成像技术。为脉冲涡流无损检测能够准确找到金属石油管道当中的缺陷位置成像奠定基础。由于在脉冲涡流系统检测金属管道时,空气中的噪声、探头提离、空气层都会对收集到的响应信号造成影响,现有的特征值提取方法会受到环境的影响,并不能准确的测到缺陷的位置,所以本文提出了基于Fisher判别分析与系统识别法分析法相结合的新型在线缺陷分类识别法,提高了缺陷参数识别的可靠性。首先通过响应信号建立系统的传递函数模型H(s),并且通过传递函数模型的参数来反应响应信号特点。然后使用Fisher判别分析(FDA)从参数中提取出响应信号的重要特征量,最后通过最大值选择程序把重要特征量进行分类,从而找到代表缺陷信号的特征量。本文针对现有的缺陷边缘检测方法进行研究,采用脉冲涡流扫描成像技术,提出了一种基于改进型蚁群算法的缺陷边缘检测技术。对蚁群算法的改进包括两点:第一个是对两次信息素矩阵更新公式进行改进。信息素矩阵更新公式中加入两个像素之间的信息素差值i,j(35)?,第二个改进是对启发信息公式进行改进,在函数中选取相邻像素的差值(35)I作为自变量,改进后的蚁群算法可以增加蚂蚁走最优路径的概率,提高计算准确性和效率。得到脉冲涡流扫描成像图后,采用改进型蚁群算法对图像边缘进行提取,这里通过对边缘信息的分析,可以解析出缺陷位置等相关信息,然后对这些信息进行定量化评估。精确的量化出缺陷的位置,从而实现缺陷检测的目的。