热障涂层(Thermal Barrier Coatings, TBCs)孔隙率的有效定量表征对控制涂层性能、保证服役部件的安全和使用寿命具有重要意义。但TBCs厚度薄、孔隙形貌复杂等特点导致传统的超声声速法或衰减法表征孔隙率的准确率较低。针对上述问题，提出一种基于BP神经网络的热障涂层孔隙率超声定量表征方法，建立厚度为0.3 mm、孔隙率为1.0%、3.0%、5.0%、7.0%、9.0%、每个孔隙率下包含6个随机孔隙分布状态的5组ZrO2涂层随机孔隙模型，模拟超声波在涂层中的传播过程，从三个维度提取超声衰减特征：时域衰减系数、频域衰减谱以及小波分解获得的时频域衰减系数，利用BP神经网络训练并预测TBCs孔隙率。结果表明：时域衰减系数预测相对误差与均方差MSE均最大，且结果稳定性与可重复性差；频域衰减谱其次，多尺度衰减系数预测结果最好，且稳定性强，可重复性高。证明小波分解多尺度特征是提升BP神经网络预测TBCs孔隙率准确性与稳定性的有效手段。

热障涂层；孔隙率；超声检测；BP神经网络