声发射（Acoustic emission,AE）光纤布拉格光栅传感技术在材料健康检测领域具有广阔的研究前景,对于采用可调谐窄带激光解调方式的高灵敏度光纤光栅传感系统而言,声发射信号的检测灵敏度极易遭受干扰,为了使传感系统可以长期稳定地采集声发射信号,本文提出了一种基于反馈电压阈值的光谱跟踪技术,并应用被稳定后的声发射光纤光栅传感系统,采集了大量的声发射信号。借助深度神经网络,本文将声发射数据集应用于判别材料的损伤破坏区域,并对小样本声发射信号的数据增强方法进行了探究。本文主要完成了以下工作:1、利用相移-光纤布拉格光栅（Phase-shifted fiber Bragg grating,PS-FBG）传感器和平衡光电探测技术,搭建了一种高灵敏度的声发射光纤光栅传感系统。为了稳定检测声发射信号时的灵敏度,提出了一种基于反馈电压阈值的光谱跟踪技术,经过实验验证,该技术可以调谐激光器波长以跟随PS-FBG谐振窗口的漂移,当反馈电压为10m V时,传感系统在200k Hz下的应变灵敏度可以达到0.63nε/Hz1/2。2、应用被稳定后的高灵敏度声发射光纤光栅传感系统,采集了大量碳纤维复合材料（Carbon fiber reinforced plastics,CFRP）的声发射信号。设计并实现了一种用于判别材料损伤破坏区域的深度神经网络模型框架,并将其应用于材料拉伸过程中的四个阶段对应的声发射数据集,对于判别损伤破坏区域效果最好的数据集,神经网络模型的判别准确率可以达到94.3%。3、针对小样本的声发射光纤光栅传感信号,研究了基于深度卷积生成对抗网络（Deep convolutional generative adversarial network,DCGAN）的一维时间序列的数据增强方法。对生成的新数据进行了多样性和有效性方面的分析,结果表明,该方法没有出现模式崩溃的现象,原始的声发射信号与新生成的数据之间的特征分布在0.05水平上没有显著性差异,因此该方法可以生成和原始声发射数据一样有效的新声发射信号。