为了解决涂覆于金属基底材料上的润滑油膜非接触无损检测问题，采用全光学方法，基于本征光吸收原理对相关问题进行了研究。以大型开式齿轮润滑油膜为例，基于润滑油膜本征光吸收谱，确定了检测使用的最优照明光波长；然后检测并分析了金属基底上不同厚度油膜的图像，建立了油膜厚度与图像灰度的对应关系。在此基础上，搭建检测装置，分别使用针对最优波长光进行优化的光源和CCD作为照明及采集装置，进行图像采集实验，对其探测能力进行了验证。结果表明，该方法可为大型开齿润滑油膜状态监测提供技术支持，也可为其它固体附着油膜厚度的检测提供可行的技术参考。

为了解决传统神经网络技术过于依赖数据资源, 同时也无法运用数据中暗含的物理先验知识等局限性问题, 采用物理信息神经网络(PINN)、基于超声传播的波动方程, 利用数值计算实验的数据训练出了正向激光超声单模态(表面波)波场的PINN模型; 建立了反向求解激光超声单模态波场参数的PINN模型, 并对激光超声波场进行了正向成像和反向参数推演。结果表明, 当探测点不包含激发点时, 正向PINN在数据量仅为10%的情况下可得到高精度的波场图像, 相比于原波场下降了一个数量级; 即使在包含激发点时, 反向PINN利用25%的波场数据不仅可以重建波场, 且不需要人为地分析就可以求解控制方程的参数, 与原波场数据的参数误差均在5%以内; 与传统神经网络相比, PINN通过加入符合激光超声特性的控制方程, 降低了神经网络对于训练数据稀疏性的依赖; 与传统的激光超声波场建模相比, PINN构建的物理模型更简单, 可自动求得控制方程的参数, 有着更好的鲁棒性。该研究可为波场重建和参数反演激光超声无损检测技术提供参考, 在激光超声领域有着广泛的应用前景。