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。

为了研究线源脉冲激光激发的超声波在带涂层金属板表面裂纹检测方面的应用, 采用有限元模拟的方法, 分别建立了含有裂纹的带镍涂层和不带镍涂层金属板模型, 并模拟出激光激发出的瑞利波以及瑞利波的传播过程。通过对接收点处的波形进行理论分析, 得出了涂层厚度、裂纹深度与瑞利波时频域信号的关系。结果表明,瑞利波波速随着涂层厚度h的不同而不断变化; 当表面存在裂纹时, 不带涂层模型的反射瑞利波与剪切瑞利波的到达时间差Δt与裂纹深度hc成线性关系, 带涂层模型的Δt与hc以涂层厚度为分界点成分段线性关系。此研究结果为实际测量带涂层金属板的表面裂纹深度提供了参考。