在长时间的连续焊接过程中，某些焊接参数的变化易造成焊接质量的不稳定，从而产生焊接缺陷，如凹陷、裂纹、未焊透等。焊接缺陷的产生严重威胁焊接接头的性能，引起局部应力集中、缩短工件使用寿命、易脆裂等，导致产品存在质量隐患，严重时将导致产品直接报废，影响加工效率和经济效益。若存在质量隐患的产品未能被及时有效检出而流入市场，在经过一定的使用寿命后将可能导致重大事故发生。在工业生产中以铁制品居多，因此，针对铁磁性材料的平板紧密对接焊，以检测手段简单快捷、无危害、零污染及可视化成像作为衡量标准，研究一种基于磁光成像的焊接缺陷无损检测新方法。　　本课题通过磁光成像传感器获取焊接缺陷磁光图像，综合运用法拉第磁致旋光效应、磁化曲线和磁畴理论，建立不同焊接状态下的焊件磁畴分布模型，定性地解释了焊接缺陷磁光成像机理。利用基于法拉第磁致旋光效应的磁光成像技术，通过把焊件的磁场变化转换为光强的强弱，从而实现物体表面细小缺陷可视化检测。通过分析磁光薄膜和低碳钢焊件的磁滞曲线，揭示了磁光薄膜对磁场的敏感程度远远大于焊件母材这一规律。正因为磁光薄膜对磁场的敏感性，使得装配这一薄膜的磁光传感器能有效地检测焊件缺陷。物质的磁化过程本质上就是磁畴结构和畴壁运动方式的变化。利用微观形态下的磁畴理论描述了铁磁性焊件被磁化后自身磁场的变化情况。通过研究铁磁性焊件两种不同性质磁场下（外磁场和剩磁）的磁光图像，建立了基于磁畴理论的焊件磁畴分布模型，对焊接缺陷磁光成像机理进行基础性探索。　　针对磁光传感器采集到的焊接缺陷磁光图像序列，研究焊接缺陷磁光图像自动识别和分类模型。论文建立了主成分分析-误差反向传播神经网络(principalcomponent analysis-back propagation neural network，PCA-BP)模型和决策树模型分别对无缺陷、裂纹、凹陷和未焊透磁光图像进行分类。PCA-BP神经网络分类模型通过分析各缺陷磁光图像列向量的灰度分布情况，利用主成分分析法得到能反映磁光图像列向量大部分灰度信息的主成分，以此作为BP神经网络的特征输入构建缺陷磁光图像分类模型。基于最小GINI指标决策树模型通过选择合适的特征属性，首先构造了用于将缺陷磁光图像分成无缺陷、未焊透和裂纹凹陷这三类的主决策树，以避免由于裂纹凹陷磁光图像特征属性过于相似而造成复杂的树结构，而后构造用于将裂纹和凹陷磁光图像进行有效分类的子决策树，将主决策树与子决策树进行拼接便得到完整的磁光图像决策树分类模型。最后，通过剪枝除去数据中的异常点以避免过拟合和提高分类准确率。试验结果表明，两种分类模型均可用于焊接缺陷磁光图像的识别和分类。