在制造、成形和服役过程中，铝板内部将不可避免地产生各类损伤缺陷，致使其力学性能劣化，甚至导致严重的灾难性事故。目前，随着铝板在机械零部件制造、航空航天和造船等工业领域的广泛应用，铝材作为现代经济和高新技术发展的支柱性原材料，其质量检测尤为重要。因此，有必要对铝材零件的缺陷进行无损检测。近几年发展起来的无损检测技术是产品质量控制中的重要手段之一。研究基于超声波检测技术，设计了单发多收超声阵列探头阵列模型，并结合主成分分析（PCA，principal component analysis）和概率神经网络（PNN，probabilistic neuralnetwork），实现了铝板不同深度区域的21类缺陷的定位。研究首先采用有限元仿真软件对每一缺陷分别进行了建模和仿真实验；其次，分别对6个接收探头阵列单元所接收的所有缺陷的时域波形信息进行分析和处理，得到初始时域信息，并通过傅里叶变换，获得缺陷的初始幅频信息；再次，利用主成分分析法（PCA，principal component analysis）对初始幅频信息进行降维，提取各缺陷类的特征向量；最后，基于概率神经网络和支持向量机进行缺陷位置识别，并进行了对比分析。此外，研究并分析了接收探头阵列单元的个数以及相同接收探头阵列单元而不同的单元分布时，对各缺陷区域的定位正确率的影响。研究结果表明，运用概率神经网络对距离激励源分别为120mm、160mm、200mm的三大缺陷区域所包含的缺陷进行了位置识别，各缺陷区域的平均识别正确率分别为100%、100%、82.14%。采用支持向量机的各缺陷区域的识别正确率分别为92.86%、89.29%、75%。研究结果验证了以各接收探头阵列单元所提取的特征向量为单位，结合主成分分析和概率神经网络对不同距离缺陷区域所包含的缺陷进行位置识别的效果，并分析了接收探头阵列单元的个数以及相同接收探头阵列单元个数在不同分布情况下，对不同深度缺陷区域所包含的各缺陷子区域正确识别率的影响。