随着社会生产以及科学技术的发展,焊接作为一种重要的加工方式在各个领域得到了广泛应用,如何确保焊接质量成了保证设备安全、高效运行所需考虑的重要问题。现如今对于焊缝多采用超声检测的方法对其加以检测,该方法无辐射、速度快、对于焊件本身无损伤。但传统的超声检测多采用人工方式进行缺陷种类判定,效率低、一致性差、对检测人员经验要求高;而现有的方法对于单一特征的识别率已经达到瓶颈,高维特征又会带来计算量的大幅增长,很难兼顾效率与准确率。因此将现代信号处理分析方法同机器学习相结合,寻找一种可以高效、准确的识别焊缝缺陷方法对于提高效率和准确率,减轻人员的劳动强度,保证评判结果的一致性,减少事故发生,保证相关设备安全高效的运行具有重要意义。针对焊缝缺陷的高维度样本识别率有待进一步提高的问题,以五类焊缝缺陷中的气孔、夹渣、裂纹三类埋藏缺陷为主要研究对象,提出一种新的将随机森林算法与DS证据理论(Dempster-Shafer envidence theory)相结合的算法。将随机森林算法抗噪声且可以很好地处理高维样本处理的特点,与DS证据理论的决策级信息融合能力相结合,实现焊缝缺陷高效、准确识别,并利用预制缺陷试块进行了实验,对所提出的算法准确性进行了验证。主要工作如下:(1)有限元仿真与实验。基于超声波反射法的基本检测原理,进行了静电-固体力学-压力声学多物理场耦合的有限元仿真,研究超声波与不同种类缺陷相互作用对于回波信号所产生的影响。并通过超声检测设备进行实验,采集气孔、裂纹、夹渣三种预制焊缝缺陷试样的超声回波信号。(2)特征提取。考虑到仅使用某单一类型的特征对于焊缝缺陷的属性并不能完全的表征的问题,提取时域、频域、时频域三类特征。又将不同传播过程产生的回波信号携带的信息具有差异纳入考虑,将回波信号分为缺陷回波以及底面回波两种,分别进行特征提取。(3)缺陷类型识别。分别利用所提取的三类特征样本集训练随机森林算法,并对其进行测试。结果表明随机森林算法可以较好的识别出三种缺陷,准确率达到了95.37%,但还有进一步组提升空间。引入DS证据理论将随机森林识别结果进行决策级信息融合,对三类特征训练出的随机森林识别效果进行综合决策,以消除单一种类特征带来片面性。实验结果表明,引入DS证据理论后,对于气孔、裂纹、夹渣三种焊缝缺陷的识别准确率有了明显提升,达到了99.67%,准确率及算法稳定性均优于支持向量机。