金属零部件在复杂的工况条件下,如高温高湿、冲击、振动以及大负载等,很容易在零部件表面产生各种微小的裂纹。如果不能及时发现而任由其不断扩展,会引发严重的安全隐患,甚至造成严重的安全事故。激光超声作为一种新兴的超声无损检测技术,凭借其独有的优势,在无损检测领域展现出良好的应用前景。在目前主流的检测方法中,实现对表面裂纹的判别主要依赖于使用多种信号处理手段从超声波的反射以及透射波信号中提取出相关的时频域信息,而这一过程则对相关人员的专业技能水平提出了较高的要求;除此之外,信号处理过程主要依赖人工操作,使得信号的判定结果很容易受到人为因素的干扰,导致检测结果的不稳定。针对这一问题,本文基于深度学习理论,以表面裂纹深度检测作为切入点,提出一种基于卷积神经网络的激光超声裂纹检测方法,实现对表面裂纹深度的自动检测和分类。主要的工作内容如下:（1）采用有限元方法模拟激光超声在基底-涂层结构的传播过程,探究表面涂层和表面裂纹对声表面波传播的影响;对声表面波信号进行时域分析和时频域分析,确定表面裂纹的位置和裂纹深度与反射波信号频率特征之间的关联,选择合适的时频域分析方法,为接下来训练卷积神经网络模型前的数据预处理做准备。（2）针对信号处理过程中需要人工提取特征信号进行判别的问题,提出一种基于卷积神经网络的表面裂纹深度分类方法。该方法使用声表面波信号的小波时频图训练卷积神经网络,由卷积神经网络实现对裂纹深度特征的提取和分类。通过加深网络结构、调整超参数等方法对提出的卷积神经网络作进一步的优化,以提高模型的分类准确率并加快模型的训练速度,试验结果表明:提出的卷积神经网络模型能够对裂纹深度准确分类。（3）针对工业环境中有标签的样本难以大量获取的问题,提出了一种基于迁移学习理论的表面裂纹深度检测模型。使用开源数据集预训练卷积神经网络模型,然后使用少量的目标域样本将模型迁移至目标域,以解决目标域数据过少的问题。采用微调的方法,对模型的分类层参数进行微调以提高模型的泛化能力。