需要提高检测信号的信噪比和抗干扰能力，实现信号的识别、分析和诊断，以得出信号特征和检测结果。

1、信号特征量提取

常用的特征量提取方法有傅里叶描述法、主分量分析法和小波变换法。

傅里叶描述法是提取特征值的常用方法。其优点是，不受探头速度影响，且可由该描述法重构阻抗图，采样点数目越多，重构曲线更逼近原曲线。

但该方法只对曲线形状敏感，对涡流检测仪的零点和增益不敏感，且不随曲线旋转、平移、尺寸变换及起始点选择变化而变化。

用测试信号自相关矩阵的本征值和本征矢量来描绘信号特征的方法称为主分量分析法，该方法对于相似缺陷的分辨力较强。

小波变换是一种先进的信号时频分析方法，将小波变换中多分辨分析应用到涡流检测信号分析中，对不同小波系数处理后，再重构。

这种经小波变换处理后的信号，其信噪比会得到很大的提高。

2、信号分析

(1) 人工神经网络

人工神经网络的输入矢量是信号的特征参量，对信号特征参量的正确选择与提取是采用神经网络智能判别成功的关键。

组合神经网络模型，采用分级判别法使网络输入变量维数由N2 降到N，网络结构大为简化，训练速度很快，具有较高的缺陷识别率和实用价值。

神经网络可实现缺陷分类，具有识别准确度高的优点，对不完全、不够清晰的数据同样有效。

(2) 信息融合技术

信息融合是对来自不同信息源检测、关联、相关、估计和综合等多级处理，得到被测对象的统一估计。

涡流扫描图像的融合，将图像分解为多子带图像，并在转换区内采用融合算法实现图像融合。

Ka Bartels等采用信噪比方法合并涡流信号，并用空间频率补偿方法使合并前高频信号变得模糊而低频信号变得清晰。

Z Liu等利用较大值准则选择不同信号的离散小波变换系数，选取待融合系数的值作为合并转换系数。

因此融合信号可基于这些系数，利用逆小波变换来重构。小波变换可按不同比例有效提取显著特征。在融合信号过程中，所有信号的有用特征都被保存下来，因此内部和表面缺陷信息得到增强。

3、涡流逆问题求解

换能器检测到的信号隐含缺陷位置、形状、大小及媒质性质等信息，由已知信号反推媒质参数(电导率)或形状(缺陷)，属于电磁场理论中的逆问题。

为求解涡流逆问题，先要建立缺陷识别的数学模型，有形状规则的人工缺陷、边界复杂的自然缺陷、单缺陷和多缺陷等模型；

在媒质类型方面，有复合材料和被测件表面磁导率变化等模型。

随着计算机技术发展，缺陷模型各种数值解法也获得进展。出现有限元法、矩量法和边界元法等。