钢筋混凝土结构是当前建筑领域应用最广泛的结构形式之一,在其漫长的服役过程中,任何细小的原始缺陷都可能积累并发展成为致命的结构损伤,这间接促成了近几十年无损检测技术在世界范围内的快速发展。与大部分无损检测技术强调结果检测的技术侧重点不同,声发射技术强调的是过程检测,他对结构损伤演变的全过程动态把控具有更强的技术适应性,声发射技术也因此逐渐发展成为无损监测领域的重要技术分支。在大数据时代背景下,经验化的人力识别已无法理清海量结构状态信息间的复杂逻辑关系,结构损伤的智能化判断水平已经成为检验无损检测技术技术优劣的重要指标,声发射技术亦不例外。从数据源对象来看,声发射以信号时程信息或由时程信息提取的特征参数为分析对象,在声发射仪器时钟精度提升至纳秒级水平后,其数据源的大数据特征变得尤为突出。这使得声发射技术的智能化判断需求显著提升,他体现在从信号去噪、特征提取、损伤识别、安全预警的全部技术细节之中。卷积神经网络(Convolutional Neural Network,CNN)是一类包含卷积计算且具有深度结构的前馈式神经网络。CNN及其变体架构作为“近年来世界范围内举办的计算机信息特征识别竞赛”中的优胜算法,在抗噪声干扰、输入多样化、网络训练难度、识别时效和精准度方面,较其他神经网络有较大提升。本文所提出的多通道IMF-CNN是一种专门针对声发射信号的CNN变体算法,强调基于多通道输入的综合分析,所输入IMF分量由经验模态分解(Empirical Mode Decomposition,EMD)得到,分析对象可以是声发射时程的IMF分量,也可以是IMF分量的声发射特征参数。在IMF-CNN神经网络分析过程中,实现混凝土构件损伤信号识别需要完成三项重要子任务。一是通过破坏试验收集构件损伤的声发射信号,并基于时序整理、试验现象推断、数据奇异点识别建立构件损伤的基准分类数据库,即本文第二章内容;二是利用EMD分解得到声发射信号时程的IMF分量,由于该步骤位于神经网络的输入层位置,在获取IMF分量的同时应考虑信号噪声处理方法以及去噪与分解的工序问题,即本文第三章内容;三是基于“构件损伤的基准分类数据库”的IMF-CNN网络训练、识别效率和系统开发,即本文第四章内容。第二章中将破坏试验设定为预应力钢筋混凝土梁三点弯曲试验,其理由有二,一是钢筋混凝土梁的受弯破坏过程具有明显的时序特征(包括微裂缝萌生阶段、裂缝成型阶段、裂缝发展阶段、裂缝贯通阶段),有利于基准分类数据库的建立,也有利于IMF-CNN神经网络分析时效的参照检验;二是预应力钢筋的加入可以有效避免构件的早期开裂,进而从数据源头将微裂缝萌生阶段和裂缝成型阶段区分开来。基准分类数据库建立时,其时序分界点由声发射信号特征参数分析结合Kurtosis值分析得到。第三章首先从EMD分解和PCA去噪的原理出发,讨论了EMD分解与PCA去噪结合工序,提出了EMD-PCA、IMF-PCA、PCA-EMD三种去噪与分解算法;其次通过仿真声发射信号对比了文中所提三种算法计算的差异性;最后基于算法优劣对比选择出PCA-EMD算法,对试验梁损伤声发射信号进行去噪分解,并提取敏感IMF分量。第四章基于PCA-EMD算法分解提取到的敏感IMF分量生成CNN多通道输入数据,完成了基准分类数据库对应的神经网络训练,并通过训练参数、结构参数的优化改进,遴选出最佳的网络架构,实现了预应力钢筋混凝土梁的损伤阶段或称损伤模式识别。在此基础上以Matlab语言为基础,开发了一套简单、易行的声发射损伤模式识别系统,初步实现了针对该问题的自动化、智能化识别。