本發(fā)明涉及計(jì)算機(jī)視覺(jué)和人工智能技術(shù)領(lǐng)域，具體為一種基于遷移學(xué)習(xí)的復(fù)合材料缺陷檢測(cè)方法，包括以下步驟：步驟101、利用C掃描對(duì)復(fù)合材料進(jìn)行檢測(cè)成像，獲取圖像進(jìn)行預(yù)處理；步驟102、建立數(shù)據(jù)集并進(jìn)行標(biāo)注；步驟103、數(shù)據(jù)增強(qiáng)并按照VOC數(shù)據(jù)集格式劃分為訓(xùn)練集、測(cè)試集和驗(yàn)證集；步驟104、源域進(jìn)行預(yù)訓(xùn)練，得到復(fù)合材料缺陷模型的初始權(quán)重參數(shù)；步驟105、獲得優(yōu)化后的復(fù)合材料缺陷模型；步驟106、進(jìn)行檢測(cè)識(shí)別。本發(fā)明以FasterR?CNN模型作為基礎(chǔ)網(wǎng)絡(luò)，通過(guò)遷移學(xué)習(xí)共享預(yù)訓(xùn)練網(wǎng)絡(luò)中的權(quán)值參數(shù)，訓(xùn)練出來(lái)的模型表現(xiàn)出較好的檢測(cè)效果，其中mAP值達(dá)到了91.36％，實(shí)現(xiàn)了復(fù)合材料缺陷圖像的檢測(cè)識(shí)別，并為CFRP的缺陷檢測(cè)提供了一種新的途徑。