A termografia infravermelha é um tipo de ensaio não-destrutivo bastante utilizado para a inspeção de descontinuidades em materiais compósitos. Além de produzir, em alguns casos, milhares de imagens em um único ensaio, os perfis de temperatura que são observados são sutis e por isso, algoritmos para melhorar o contraste das imagens são amplamente utilizados. Muitas vezes, esses algoritmos não apresentam uma performance satisfatória pois os dados relativos à condução de calor em sólidos têm padrões não lineares. Por isso, este projeto de pesquisa visa o desenvolvimento de abordagens de aprendizagem profunda para a detecção e classificação de defeitos em materiais compósitos. Mais especificamente, a detecção envolve a segmentação da descontinuidade e a classificação envolve a determinação de sua profundidade. Em ambos os casos, a sequência de imagens capturadas do fenômeno transiente será utilizada. Para isso, redes convolucionais profundas serão aplicadas em dados termográficos obtidos por um experimento de termografia pulsada usado para inspecionar amostras de material compósito. Os corpos de prova que serão analisados incluíram defeitos calibrados, ou seja, amostra manufaturada intencionalmente com o defeito, e defeitos causados por impacto. Uma vez que aprendizagem profunda tem alcançado performances excelentes nos últimos anos em diversas áreas de visão computacional, espera-se que essas abordagens também sejam exitosas na área de termografia infravermelha para detecção de descontinuidades em materiais compósitos.