超声无损检测以其独特的优点在各工业领域得到了广泛的应用。本文重点研究采用现代数字信号处理方法的超声信号降噪算法以及超声探伤缺陷的人工神经网络识别方法。 在石油化工行业广泛使用各种压力容器进行各种物理和化学反应，由于压力容器长期处于高温、高压下工作,以及在制造过程中受工艺和应力不均匀等因素的影响，极易产生从管内壁向外延伸的蠕变裂纹，这些裂纹达到一定程度会引起爆炸。因此，定期对它们进行检测，预测其残余寿命，及时更换存在安全隐患的压力容器对于确保安全生产具有重要意义。 奥氏体材料在现代工业中被广泛采用，由于其复杂的材料和声学特征，使得传统的超声无损检测方法无法满足其检测要求。论文在充分分析了奥氏体信号特征，找出奥氏体超声信号中缺陷信号和噪声信号在时域和频域性质差异的基础上，采用现代数字信号处理技术对信号的降噪算法以及缺陷的人工神经网络识别方法进行了研究。 开发小波分析的潜能的关键在于正确理解和有效利用隐藏在小波系数里的信息。根据缺陷信号和结构噪声在时频特性上的差异，即缺陷信号在换能器的频带内分布较为平稳，而噪声信号在换能器的频带内有拐点，且在高频部分也有不小的分量，论文选择基于小波分析及小波包分析的降噪算法。本文在实现基于非线性阈值法的小波降噪算法基础上，提出了更适合本课题的尺度加权法。而小波包变换比小波变换频域线性好、频域分辨率高, 用于信号的分解、重构时能获得更详细的信号分量特征。 根据金属超声检测中的缺陷脉冲回波为非平稳信号的特点,论文研究基于傅立叶变换，小波变换等和模式识别技术的奥氏体超声探伤信号的缺陷定性分类方法。将时域特征与频域特征叠加，以及时频域分析方法得到的特征量输入BP网络进行训练及测试，并根据检测数字和图表进行效果比较。最后根据经典的BP神经网络训练时间长的缺点，提出了修正学习率以及换用更适合本课题的RBF神经网络两种改进方案。 通过大量的仿真实验结果分析，论文比较出最优实现方法且完成了方法的编程实现。降噪算法表明对于低信噪比的信号也能取得良好的效果，可以准确判定缺陷的位置。识别算法对于判定、分类奥氏体缺陷具有良好的效果。