La cuchilla de turbina hueca juega un papel importante en la propulsión del aero motor. Sin embargo, debido a su estructura hueca compleja y a las propiedades del material de superaleaciones a base de níquel, solo la tomografía computarizada industrial (ICT) podría realizar su detección no destructiva con suficiente intuición. La precisión de detección de ICT depende principalmente de la precisión de segmentación de las imágenes de ICT objetivo. Sin embargo, debido a que la cuchilla de turbina hueca está hecha de superaleaciones especiales y contiene muchas estructuras únicas pequeñas como agujeros de enfriamiento de película, bordes de escape, etc., la calidad de imagen de ICT de las cuchillas de turbina huecas a menudo es deficiente, con artefactos, bajo contraste e inhomogeneidades dispersas alrededor del contorno de la cuchilla, lo que dificulta que los métodos tradicionales basados en modelos matemáticos adquieran una precisión de segmentación satisfactoria. Por lo tanto, este artículo presenta un enfoque basado en aprendizaje profundo, es decir, el U-net mejorado con entradas multinivel, bloques densos, función de pérdida focal y ruta residual en la conexión de omisión para realizar la segmentación de alta precisión de la cuchilla de turbina hueca. Los resultados experimentales muestran que nuestro U-net mejorado propuesto puede lograr una mejor precisión de segmentación para las cuchillas de turbina prácticas que U-net convencionales y métodos tradicionales basados en modelos matemáticos.