粘接工艺是现代工业,尤其是国防工业越来越广泛采用的工艺技术。但是粘接层间脱粘,或粘接强度未达到设计要求,以及在使用过程中强度降低,则会引发各种灾难性事故。因此,粘接结构的安全和质量成为国际上广泛关注的研究领域和前沿课题。目前,粘接缺陷检测偏重于是否发生脱粘的定性分析,对于定量检测的研究刚刚起步。本文针对的是钢-橡胶机械贴合脱粘定量检测这一难题开展的研究。以往解决此问题时的方法是：采用模糊神经网络的方法进行粘接缺陷的定量识别。然而神经网络方法有其固有缺陷,如网络结构不易确定、容易陷入局部极小点等。支持向量机(SVM)是针对小样本的一种统计学的新技术,通过寻求结构风险最小,获得了全局最优解。该算法自提出以来得到了广泛研究,但是用在脱粘缺陷诊断领域的还未出现。薄板复合材料粘接缺陷超声检测模式识别属于典型的小样本问题,本文针对10级标准脱粘样块,在提取出有效粘接缺陷特征向量基础上,采用SVM方法来解决此问题。原始SVM识别方法是针对两分类问题提出的,10级脱粘连续量化识别属于典型的多类问题,因此本文首先构建多类SVM分类模型。与此同时,为获得准确的量化识别结果,采用K-CV参数搜索方法确定了多类SVM的模型参数。另外,提取的三个特征量存在明显的非线性特性,采用原始线性SVM方法得到的粘接缺陷识别结果准确度偏低,故提出非线性特征加权SVM方案：对六种特征度量方法分别进行分析实验,最终选择Relief-F方法得到的权值因子赋给各个特征向量,构造特征加权核函数,获得特征加权SVM模型。通过比较支持向量机和特征加权支持向量机的实验结果,发现特征加权SVM方法提高了量化识别结果的准确度,该方法为薄板复合材料粘接缺陷的量化识别提供了一套较为科学的方法,同时为薄板复合材料粘接缺陷的自动检测奠定了基础。