损伤模式识别是空间碎片撞击航天器在轨感知技术中的一个重要功能模块，是目前研究的重点和难点.针对超高速撞击声发射信号传播过程的复杂性和单一传感器损伤识别的局限性，提出了一种在决策层上的多传感器数据融合结构损伤模式识别方法，利用不同位置传感器测得的结构损伤声发射信号，实现弹丸撞击铝合金平板结构损伤模式识别.采用SPH-FM耦合算法建立球形弹丸超高速撞击铝合金平板二维轴对称有限元模型，对超高速撞击声发射现象进行数值模拟.靶板厚5 mm、长1000mm、材料为5A06铝合金，弹丸直径3.2 mm、材料为2017铝合金，撞击速度1～5 km/s.利用小波变换将超高速撞击声发射信号中的各个模态分离，提取表征各个模态分量信息的特征参数(峰值、幅值、能量等)，分析各特征参数与损伤之间的关系，并通过Kruskal-Wallis检验方法验证各特征值对损伤识别的贡献，优选用于识别各个损伤模式的特征参数.建立了基于小波神经网络多传感器数据融合的损伤模式识别方法，分别对弹丸撞击速度、铝合金板面受撞击形成的成坑/穿孔、坑深，孔径等模式进行了多次识别，得到各种模式的平均识别率.采用多个传感器的平均识别率高于仅采用单个传感器的平均识别率，采用5个传感器的平均识别率高于采用3个传感器的平均识别率.其中，经过多传感器数据融合之后，对于成坑/穿孔模式的平均识别率最高，其次是对孔径的识别率，接着是对弹丸撞击速度的识别率，对坑深的识别效果最差.多传感器数据融合方法能够充分利用所有传感器的有效数据，获得结构更多的损伤特征信息，全面地描述结构的损伤状态，在部分传感器性能降低，甚至是失效的情况下，仍能对结构损伤做出有效识别，增加了系统的容错性.数据融合后损伤模式识别的能力和可靠性明显高于单个传感器.本文的研究成果对发展适用于我国未来航天器的空间碎片撞击在轨感知技术具有一定的参考价值.