在航空航天、轨道交通、军事、管道输送等领域,很多材料都会产生近表面亚表面缺陷,需要无损检测及时修复。如碳纤维复合材料脱粘、分层等缺陷会导致结构整体失效;涂层材料的裂纹、脱粘等缺陷会影响隐身性能;玻璃纤维材料脱粘、空洞等缺陷会导致结构刚度和强度下降,保护性能和隔热性能不达标。这些问题都可能导致安全事故发生。光激励红外无损检测技术适用于大多数材料的近表面和亚表面缺陷检测,且具有无接触、快速直观成像的优势。但在实际应用中,存在缺陷尺寸量化问题,现有算法只能分割量化单一类型试件;不同类型试件数据差异大,数据采集难度大,数据量严重不足;缺陷区与非缺陷区差异小,红外图像缺陷信息被高噪声覆盖,材料反光等干扰。针对上述问题,本文提出了一种端到端的小样本学习分割网络,模型可解决数据量和多类型试件泛化性能不足问题。通过对支撑分支的改进,使用前景背景联合指导,更好地为查询分支提供指导信息,增加缺陷和非缺陷特征的度量距离以便更好地分割易漏检缺陷。本文的研究内容如下:（1）提出域自适应的小样本学习缺陷分割算法,降低支撑集查询集之间的类差异,降低小样本网络学习支撑集查询集之间共性信息提取难度,提升小样本学习网络的收敛速度,改善挖掘困难样本的能力。域对齐的支撑图可以更好的提供指导信息。（2）提出前景背景联合指导的查询分支结构,可更好的提供指导信息,引入了记忆指导模块,记忆指导模块可以记录多个记忆原型,能够为查询分支提供更多的细节信息。通过记忆模块的更新,提供的背景指导信息不局限于当前支撑图,记忆模块可以记忆历史支撑图的多类背景。通过前景背景联合指导增加前景与背景的度量距离,减少漏检和误检。针对记忆模块提出了类内损失和类间损失,使有限的记忆模块可以存储更多信息,保证记忆原型的多样性和精准性,通过损失函数实现记忆模块中记忆原型类内距离小、类间距离大目标。从缺陷检测结果可视化、IOU和F-score评价指标客观评价、消融实验对比、同类方法对比四方面,分析验证了本文算法的有效性和鲁棒性。最后,从实际应用的角度出发,将本文算法在便携式红外检测设备上部署,实现自动分割量化。