碳纤维增强复合材料(Carbon Fiber Reinforced Polymer,CFRP)被广泛用于航空航天领域,实现其结构健康监测具有重要意义。电阻抗成像(Electrical Impedance Tomography,EIT)方法作为一种新兴的CFRP无损检测方法,具有成本低、无辐射、可视化等优点,因此EIT方法在CFRP层压板结构损伤检测中的应用已成为国内外学者研究的热点之一。本文基于EIT方法对CFRP层压板结构损伤检测做以下研究:(1)EIT逆问题具有严重的病态性,通常采用正则化算法改善成像质量。本文基于修正残差范数最陡下降法(Modified Residual Norm Steepest Descent,MRNSD),利用其在减少图像伪影和保持边界信息方面的优势,针对该算法存在的半收敛性和抗噪声效果差等问题,采用预处理和软闭值方法对MRNSD算法进行改进。通过仿真和实验,对比分析该改进算法与几种常用算法的成像效果。结果表明,该算法有效的提高了EIT图像质量和抗噪声能力,并且实现了最佳迭代次数的自动更新,有利于推动EIT方法在CFRP层压板结构损伤检测中的实际应用。(2)基于CFRP层压板的电学敏感特性,利用电阻抗成像方法,结合神经网络理论,使用一种改进深度可分离卷积神经网络(Deep Separable Convolutional Neural Network,DSCNN)代替传统卷积网络的算法,构建EIT-DSCNN碳纤维增强复合材料损伤识别模型,并进行了仿真和实验验证。结果表明,该模型可有效识别CFRP层压板损伤类型,相比传统方法类型识别更加准确;使用一维深度可分离卷积层代替传统卷积层可有效降低模型计算量,提高计算速度;使用改进重采样扩充数据训练策略可显著提高在噪声条件下模型的损伤识别能力。