结构健康状态压电超声导波监测技术涉及海洋工程、航空航天、电力系统等诸多领域,对结构安全性评估和运行维护有着重大的现实意义。深度学习在压电超声导波传感信号表征、特征提取、异常检测等方面提供了新的工具,最大程度上避免了超声导波传感中频散特性和模态机理视具体研究对象而定的应用难点。但是大数据监测方法在工程实际中的痛点在于,涵盖多监测结构、多监测任务、多类损伤的完备数据集难以构建。在结构状态数据集不完备情况下,如何通过知识迁移将已有数据集中获得的知识应用于不同但相关领域,是解决工业实际中训练样本缺失时的大数据结构状态监测问题的研究难点。因此,本文围绕结构状态超声导波监测中的关键迁移问题,借助于深度学习在大数据上的信号特征学习能力,充分利用压电式超声导波检测范围广、检测效率高的优势,在半监督学习、多任务学习和跨结构迁移等方面展开研究,主要内容包括:（1）针对基于超声导波传感的结构状态智能识别问题,提出了基于超声导波的结构健康状态深度网络监测新型框架。引入传统特征提取方法,通过时频特征和深度网络实现了无监督特征融合。进一步提出一种基于原始信号卷积编码的深度网络监测方法,改进了监测模型对超声导波信号特征和结构健康状态的学习能力。克服当前导波检测方法仍然需要手动选择导波特征的不足,提出从传统特征到深度网络特征的算法方案。探索了超声导波监测中非完备集定义及其影响,并提出了典型非完备集的知识迁移策略,为后续研究奠定基础。（2）针对损伤状态样本缺失情况,提出一种基于模拟损伤知识迁移的结构状态半监督监测算法。通过编码重构算法构建了模拟损伤信号的生成方法,并引入随机扰动和正态扰动机制,有效刻画了不同材料结构损伤的信号差异特性。通过构建孪生网络模型作为半监督离群状态识别模型,引入编码特征映射距离作为损伤程度的量化指标,有效提升了深度网络模型在损伤样本缺失时的学习能力,同时结合多路径超声导波传感数据特征实现了结构状态概率成像表征。（3）针对部分监测任务样本缺失情况,提出了基于共享特征知识迁移的结构状态多任务监测算法。通过构建原始导波信号编码网络作为通用特征提取模型,引入多监测标签输出方式和参数硬共享机制,提升了监测网络对多类任务智能识别的适用性。进一步设计了参数交替训练机制,有效增强了多任务模型对超声导波特征的迁移表征能力,在目标任务数据不足情况下呈现出更好的结构状态识别效果,共享特征在损伤位置识别任务中准确率提升了15.24%。（4）针对目标结构训练样本缺失情况,提出了一种基于特征适应知识迁移的跨结构状态监测算法。通过对不同结构中超声导波信号的特征分布适应,增强了源域结构和目标结构的损伤特征一致性表示,改善了监测模型对源域结构和目标结构的特征学习能力。同时,考虑超声导波时序特性和局部特性的综合影响,在状态识别模型引入卷积长短时记忆网络。在目标结构训练样本缺失时损伤区域能量比相比非迁移方法提升95.38%,有效提升了同类结构状态识别模型的适配学习及迁移监测效果。所提方法围绕智能监测模型在完备标准数据集尚未构建时的结构状态迁移监测方法开展研究工作,结合深度学习、知识迁移以及信号处理等技术,在超声导波传感信号编码表征和特征提取、半监督学习、多任务迁移和跨结构迁移等方面为训练样本缺失情况下的结构状态智能监测提供新方法和新途径。