超声检测技术研究正逐步向着自动化、智能化发展,将超声检测与自动化控制以及图像处理结合,可以有效地辅助工作人员对缺陷进行定位以及定量评价。但由于超声回波中往往存在衍射、散射等噪声,而且反射式扫描存在着余振信号,能量相对很小的缺陷信号不易与噪声信号区分,超声图像的缺陷不能被很好地分割。同时超声图像在分类时由于存在缺陷样本数量偏少,样本类别多,部分样本处于分类边界边缘,且样本可能存在人工分类误差等问题,分类的准确率较低。针对上述超声缺陷评价存在的问题,本文搭建了一套超声检测系统,并开展了相关的理论与实验研究。为了减少噪声以及余振对超声图像缺陷分割的影响,本文提出一种基于自动种子区域生长的超声图像缺陷分割方法,首先使用最大类间方差分割法对超声图像进行一次预分割,其次寻到绝对背景区,并且在此区域内自动设置种子起始点,然后利用区域生长算法将缺陷从背景中分割,最后通过数字形态学降噪算法来进一步提高缺陷的识别度。而针对超声图像缺陷分类样本少、类别多、不易区分的问题,本文在缺陷分割的基础上,提出了基于遗传算法优化支持向量机的超声图像缺陷分类方法。首先通过图像处理提取超声图像缺陷的特征数据,然后训练支持向量机作为超声图像缺陷分类器,最后采用遗传算法优化参数求得最优的分类器。实验结果表明,本文的超声图像缺陷分割算法不仅能准确地分割出缺陷,且具有较好的缺陷边界信息,提高对超声图像的处理效率,有效抑制了大部分图像噪声,得到的缺陷到工件顶部的计算距离与实际值的最大相对误差为5.988%;同时,本文提出的超声图像缺陷分类器在识别率方面优于其他方法的分类器,训练样本和测试样本的整体识别率达到了90%,可以有效地辅助工作人员对超声缺陷进行分类识别。