锚链由许多个链环连接而成,是用来缓冲船舶与海洋工程平台所受外力的重要装置,其质量的优劣往往会影响到相关人员的生命和财产安全。在锚链的生产过程中,闪光焊接是最为重要的环节,决定了锚链的力学性能。即使只有一个链环因为质量问题而产生断裂,这一整条锚链便会失效,其带来的损失将是巨大的。目前,主要通过出厂前的拉力试验和破断试验来检测锚链闪光焊接的质量,但这种方法使替换不合格链环的成本异常高昂。因此,如何及时有效地检测锚链闪光焊接的质量就显得十分重要,针对锚链样本不平衡问题,本文提出了最近邻分段插值采样,并基于深度学习对样本标签难以获得、如何学习新增样本等问题开展了研究。主要研究内容如下:首先,由于锚链闪光焊接的合格样本远远多于不合格样本,导致不同样本之间产生了数据不平衡的问题。针对这一问题,本文结合锚链闪光焊接过程中电极位置曲线和电流曲线的特点,提出了一种新的采样方法:最近邻分段插值采样。通过对不合格样本进行归一化、动态时间规整、分段线性插值、随机抽取等一系列处理来合成新样本,有效地增加了不合格样本的数量。其次,搭建了一个卷积神经网络,实现了对锚链闪光焊接质量的实时检测。将本文提出的最近邻分段插值采样与随机欠采样和随机过采样进行对比实验,并分析了样本的不平衡程度对模型分类性能的影响。为了进一步提高模型的识别能力,从Dropout丢弃率这个方面对模型进行优化。再次,大量没有标签的锚链闪光焊接样本虽然很容易获得,但目前主要通过人为进行标注,不仅效率低下,还具有很强的主观性。为此,通过迁移学习的方法对检测人体心律是否异常的模型进行参数微调,并在其它样本数量更少的4种锚链上实现了二次迁移。迁移学习不仅节省了模型训练的时间,还弥补了带有标签的锚链闪光焊接样本在数量上的不足。最后,针对锚链闪光焊接不断地有新样本产生、数据日益变多的问题,本文采用增量学习的方法对模型进行训练,每次只需要学习新样本的知识,并和传统的批量学习进行对比。通过十折交叉验证的方法分别对电极位置信号、电流信号和组合信号进行模型的训练,同时检测增量学习在旧样本上的准确率。