针对大尺度结构进行损伤的监测与安全评估,及时地确定安全隐患,组建一套面向于大型结构的损伤诊断系统尤为重要。大尺度结构即为大型工程结构,由于使用范围广泛,材料面积大,在大型工程结构上进行损伤监测不仅使监测设备繁琐,而且信号的处理难度更加困难。本文研究主要是针对大型复合材料板损伤的情况下,从Lamb损伤监测机理方面入手,设计最简三角稀疏阵列并且提取Lamb波在典型损伤上的多特征参数,利用机器学习建立损伤方位和程度评估模型,实现对不同方位与程度损伤的综合评估。本次研究针对大尺度结构损伤监测将从下面几个具体方面进行介绍:（1）介绍了Lamb波的主要传播激励和在结构健康监测领域发挥的重要作用,包括但不限于Lamb的频散特性,Lamb波激励和接收的主要技术以及压电效应,分析了基于主动Lamb波的损伤评估的基本方法,阐述了机器学习的基本原理。（2）重点分析了不同类型、不同方位、不同程度的损伤信号传播机理,对比损伤前后结构性质的显著变化,采用时域、频域、时频域等信号分析手段,针对采集到的不同种类的信号进行损伤机理分析,分别提取在不同维度下的能够反映损伤特性的多特征因子,补充了额外的损伤特征参数,健全损伤特征数据库。（3）设计并建立了三角稀疏传感器信号采集阵列。分析和对比了损伤诊断的一些传统方法,选择了支持向量机（SVM）作为损伤方位与程度的评估模块,使用典型的投票机制作为SVM的结构。在此研究的基础上,提出了基于SVM分类手段的损伤诊断评估模型。（4）设计了一套完整的基于SVM模型的Lamb波结构损伤诊断评估系统。首先将其分为两个方面,分别从硬件的搭建和软件的设计入手。通过这套系统,可以实现从损伤信号分析到损伤定位再到损伤追踪评估。最后,在复合材料板上进行实验,布置了三角稀疏传感阵列,针对典型脱层损伤对该系统进行验证,分别采用SVM和其它几类典型的机器学习分类算法进行损伤评估的对比。实验结果表明:三角稀疏阵列的布置方式确实能够对大尺度结构板的脱层方位及脱层跟踪评估具有一定的辨识效果,利用SVM所训练出来的模型可以实现对损伤的定位和定量的评估,从而拓宽了损伤诊断评估方面的研究,为以后工程降低安全隐患提供了价值连城的信息,具有很好的工程引导和应用前景。