复合材料层合板在低速冲击或循环加载下易形成微小损伤（包含基体裂纹和脱层）,这种损伤不容易被检测。然而,这些微小的内部损伤在负荷下加速演化,进而引发复合材料板的纤维断裂和位错,最终导致材料板失效。倘若在生产或运行期间没有对复合材料板进行及时地检测,因材料失效造成的损失将难以估计。因此针对复合材料板在循环载荷下的损伤检测和剩余使用寿命预测具有一定的研究价值和应用价值。第一部分,对复合材料板的疲劳损伤进行了量化分析。首先,利用ABAQUS仿真软件建立带有两种典型缺陷的层合板有限元模型,模拟Lamb波的传播过程,对Lamb波的检测信号进行特征指数提取。由于特征指数相对于损伤的敏感度和相关性不同,因此用加权综合得分方法对特征指数进行筛选,组成优化特征向量,然后,对单一路径或不同路径的优化特征向量进行量化分析。最后,利用有限元模型计算了作为健康指数的应变能释放率变化范围,通过与基于支持向量数据描述的损伤评估方法对比,验证了在量化评估中应变能释放率模型的优越性。第二部分,以复合材料板在循环载荷下疲劳损伤为研究对象,研究了基于贝叶斯更新模型的脱层定位成像方法。首先,建立了一个的脱层物理信息与传感器信号特征直接联系的物理模型。其次,筛选出与有限元模型相同的最优特征向量集。然后,通过贝叶斯更新方法获得损伤位置和尺寸的后验分布。最后,借助NASA试验数据和ABAQUS有限元模型结果进行理论验证,结果证明贝叶斯更新结果与实际损伤基本吻合。第三部分,针对复合材料层合板的疲劳剩余使用寿命预测,提出了基于自适应参数优化模型的粒子滤波（The adaptive parameter optimization model-Particle filter,APOM-PF）方法。首先针对发生在损伤预测之前的损伤状态演化（刚度降低,脱层面积增大和基体微裂纹密度增长）,通过基于应变能释放率模型构建动态演化模型,然后通过粒子滤波算法对粒子状态进行连续演化估计。本文方法的一个关键特点是系统地控制了各种不确定性因素,包括模型参数、模型误差和感知噪声,这是通过自适应参数优化模型对参数方差进行有效掌控。最后通过设置阈值,当粒子的任一损伤参数到达阈值时得到剩余使用寿命（Remaining useful life,RUL）。通过与未经过参数优化的粒子滤波方法对比,验证了APOM-PF在控制预测前期的不确定性中的优越性,并使得整个RUL预测过程更加高效准确。