航空发动机损伤是影响飞行安全的重要因素。当前基于计算机视觉的发动机孔探图像损伤检测存在两个主要问题：一是孔探图像背景复杂，使得模型对损伤的检测精度较低；二是孔探图像数据来源受限，导致模型可检测类别较少。为解决这两个问题，提出了基于Mask R-CNN的二分类到多分类递进式航空发动机损伤图像检测网络。通过在Mask R-CNN中增加二分类检测分支，首先对图像中的损伤进行二分类检测并对定位坐标进行回归优化；其次使用原始检测分支递进地进行多分类检测，以进一步回归优化损伤的检测结果并确定损伤类型；最后根据多分类检测的结果，通过Mask分支对对损伤进行实例分割。为了增加模型检测类别及验证方法的有效性，构建了包含八种损伤类型，共1 315张孔探图像的数据集。在该集合上进行的训练和测试结果表明，多分类检测的平均精度（AP）和AP75与Mask R-CNN相比分别提高3.34%、9.71%，可见所提方法能够有效提高对孔探图像中的损伤的多分类检测精度。