在众多无损检测方法中,声发射检测技术以其对材料、结构损伤信号的动态检测能力,成为了设备状态实时监控领域的首要选择。作为一种被动检测手段,声发射检测方法对被测物接近程度的要求不高、可检测信号的频率范围分布广、灵敏度高,能够检测出被测物的早期损伤。实现机械设备健康状态的动态监控,获得损伤信号是前提,更为关键的是如何对所得信号进行分析。随着当前信号特征提取方法越来越完备,判断损伤的依据也越来越丰富,但伴随而来的是信号数据数量和维度的大幅增加。为此,本文将声发射检测的信号数据视为一种大数据类型,建立了一种基于改进径向基函数神经网络的模式识别数学模型,通过45号钢试件的声发射实验对该方法的可行性进行了验证。本文主要研究内容和结论如下:（1）对声发射检测技术的基本原理、技术特点、运用与发展等内容进行简要概述。通过与参数分析法在信号处理方面的对比,总结出波形分析的优势。对金属材料损伤的声发射特性进行分析,为实验部分打下理论基础。（2）对径向基函数的种类、参数计算、RBFNN的结构设计及权重计算进行总结。考虑到稀疏性神经网络的变量选择环节本质上也是一种降噪处理,提出一种基于软阈值筛选变量的稀疏性径向基函数神经网络（ST-RBFNN）,达到与广泛使用的Dropout方法类似的作用。经过数值实验的验证,ST-RBFNN能够很好地降低模型过拟合、提高预测准确率。（3）为提高算法的计算效率,使迭代搜索方向更为精准,在主流的一阶优化算法Adam基础上提出一种一阶动量与二阶动量进一步融合的优化算法——复合梯度法（C-Adam）,并证明其收敛性。通过三组流行数据集验证所提算法的性能,实验结果表明该方法在计算效率和结果准确率方面相较于其他算法有非常大的优势。同时,针对岭回归惩罚问题提出算法的改进措施,并探索算法中其他的权重衰减形式。（4）首先,对实验器材选用、设备参数选择等环节进行介绍。其次,在考虑权重溢出问题和提高算法训练效率的前提下,对实验数据进行降噪和归一化的预处理。利用ST-RBFNN结合C-Adam算法对实验数据进行模型构建,通过训练数据集与测试数据集对模型的有效性进行验证。