面对我国高端装备构件结构复杂、大尺度的实际工程背景,其安全性问题急需在现有的损伤检测技术基础上发展快速、高精度、智能化的损伤检测方法。本文提出了一种利用卷积神经网络自动提取导波损伤特征的智能化检测方法,即对损伤检测区域进行分区,将损伤检测转化为基于卷积神经网络的图像分类任务。利用卷积神经网络建立损伤区域与导波信号特征的映射关系,进而可以对损伤进行即测即出结果的快速、智能识别。在实现损伤位置识别的基础上,进行损伤程度的检测分类。本研究论文的主要工作总结如下:（1）基于超声Lamb波理论,推导各向同性板结构中导波的频散方程,获得频率-波数关系,为激励频率的选择提供理论基础。通过有限元方法建立超声Lamb波在各向同性板中激励、传播以及与损伤相互作用的数值模型。论文研究中设置不同大小、不同形状的通孔损伤,提取损伤位于不同位置时的超声导波信号,结合实验得到的超声导波信号,构建用于损伤识别的深度学习训练数据库。（2）研究卷积神经网络的基本架构中卷积层、池化层、全连接层的作用,比较卷积神经网络中常用的激活函数、损失函数、以及优化函数的优缺点,并由此理论指导建立用以训练导波数据进行损伤检测的卷积神经网络模型。通过基准信号与损伤信号作差并可视化作为卷积神经网络的输入,训练模型实现对不同位置的损伤检测,在不同噪音水平下测试模型的泛化能力。在实现损伤位置检测的基础上,将不同直径的圆形通孔放置于相同损伤区域,拾取信号,训练模型以实现损伤大小的检测分类。（3）构建各向同性金属铝板结构的损伤检测实验平台,其中检测区域、信号扫描点布置均与数值模拟相同。拾取信号后通过数据预处理建立实验数据库,并将实验数据与模拟数据集进行数据融合构建融合数据库,基于训练好的卷积神经网络模型对融合数据库进行迁移学习。在新数据、不同区域、不同噪音水平上验证了该模型的泛化能力。通过对检测区域的分割,将损伤识别转化为对信号图像的特征提取与分类任务,运用卷积神经网络自动提取损伤特征,极大的缩短了损伤识别的时间。（4）将本文提出的损伤智能检测方法与传统的损伤检测方法进行对比分析。用经典的延迟叠加成像算法在时域和频率-波数域分别成像,从检测效率与精度两方面与本文的方法进行对比分析,验证了本文提出方法的高效、智能化优势。本文所提出的基于卷积神经网络的损伤识别方法能够实现对板状结构损伤的快速检测与评估。相关成果表明,将卷积神经网络的深度学习方法运用于损伤识别,在实现快速、智能化的损伤检测方向有潜在的工程应用前景。