涡流脉冲热像（ Eddy current pulsed thermography，ECPT）技术是一种新型的无损检测方法，广泛应用于金属材料结构的检测，但该技术常依赖人工经验提取特征进行裂纹检测与识别，自动化和智能性化程度不足。结合涡流脉冲热像技术以及循环神经网络（Recurrent Neural Network，RNN）的特性，提出一种基于双向长短期记忆网络（Bidirectional Long Short-Term Memory Network，Bi-LSTM）金属疲劳裂纹涡流脉冲热像分类识别方法。实验通过涡流加热装置对被测金属试件进行感应加热，使用红外热像采集装置对金属平板试件进行实时的数据采集，获得图像序列并制作数据集。运用设计的 Bi-LSTM模型增强特征向量中的时序信息，对不同尺寸裂纹的热图像进行训练并测试。实验分析表明， Bi-LSTM网络可有效应用于金属疲劳裂纹检测与识别，针对现有裂纹检测准确率可达到 100%，优于传统神经网络和其他深度学习的模型，具有更高的识别精度。

电涡流脉冲热成像（Eddy current pulsed thermography，ECPT）技术是一种集成了电、磁、热等多物理效应的新兴无损检测技术，具有单次检测范围大、无交互、检测速度快等特点。传统基于特定时刻的单帧热图像分析，很难直接区分不同区域的热分布，无法建立有效的数学、物理模型，对微小缺陷与早期疲劳损伤难以进行完整、有效的检测与评估。本文利用多帧热图像序列构造出了不同阶段的多维观测矩阵，通过拉普拉斯特征映射（ Laplacian eigenmap，LE）方法对高维观测数据集进行降维处理。利用 COMSOL仿真分析了隐马尔科夫模型（ hidden Markov model，HMM）追踪、评估材料特性的有效性，最后通过 HMM对降维后的齿轮疲劳数据进行学习、评估。通过不同阶段的齿轮疲劳实验验证，基于隐马尔科夫模型与电涡流脉冲热成像的技术可以很好地评估齿轮在不同阶段的疲劳损伤状态。

涡流脉冲热像技术是一种将电磁生热和红外热成像相结合的新型无损检测技术。针对金属疲劳裂纹生热研究不深入的问题，本文以含有贯穿的疲劳裂纹金属平板试件为研究对象，搭建了涡流脉冲热像检测实验系统，并建立了涡流脉冲热像有限元模型，分析了涡流脉冲热像检测中裂纹生热的规律。研究结果表明：在红外热像中，同一时刻越靠近裂纹根部的位置，温升的最大值越大；在激励过程中，裂纹区域的温升逐渐升高，当激励结束时，裂纹区域的温升则具有逐渐下降趋势，并且呈现先迅速后缓慢的下降速度。进一步揭示了裂纹尺寸对裂纹区域温升的影响。