激光超声表面缺陷检测的过程中，缺陷的定量表征通常依赖于操作者的判断，易受到人为因素干扰，致使检测结果不稳定。针对这一问题，提出一种基于图像识别的二维卷积神经网络（2D-CNN）的缺陷自动分类检测方法。利用有限元方法模拟激光超声检测过程，并采集超声信号数据用于训练分类模型；使用连续小变换（CWT）处理超声信号得到小波时频图，以小波时频图作为输入训练卷积神经网络（CNN）分类模型，实现对表面缺陷深度的自动分类。验证结果表明：提出的检测方法能够对不同深度的缺陷准确分类，测试的平均准确率达到97.3%；构建的CNN分类模型能够自主学习输入图像的缺陷特征并完成分类，提高了检测结果稳定性，为激光超声缺陷检测的自动化分析处理提供了新的思路。