由于飞行器服役过程中要面临复杂的气动加热,必须对结构进行热防护以保证结构的正常工作。热防护材料通常粘接在飞行器金属蒙皮上,服役过程中面对超高速环境,表面可能会产生应力开裂现象,粘接界面极易产生脱层现象,导致结构性能下降,甚至引发严重的后果,因此,为确保热防护结构的安全稳定,需要对其进行损伤监测。分布式光纤传感器体积小巧,被埋入结构也几乎不会影响被测结构的力学特性,加上其抗干扰性能强,可以满足高密度高灵敏度的测量需求,所以可以用来监测热防护结构的健康状态。由于分布式光纤传感器采集到的应变数据量常常过大,人工分析具有一定困难。深度学习算法可以针对超高数据量进行分析,因此为识别高密度数据提供了可能性。本文针对热防护粘接结构,以酚醛树脂板和铝合金板粘接而成的层合板结构为研究对象,首先对层合板的两种经典损伤形式（脱粘和裂纹）进行了理论推导和数值模拟,得到了层合板模型在悬臂梁受载情况下的应变场,以及脱粘和裂纹两种损伤的应变特征;随后基于分布式光纤传感器原理,应用嵌入分布式光纤传感器进行了含预制脱粘和裂纹损伤层合板试件的悬臂梁加载试验。结合前述不同类型损伤的应变特征,对传感器采集的应变数据进行分析,成功实现损伤定位并对两种损伤类型加以识别。最后利用卷积神经网络,构建了适用于高应变数据的一维神经网络模型,对试验研究中的应变数据进行训练以识别最后一次加载等级的应变数据,最终实现了损伤定位和分类。本文工作对批量处理高应变数据以及通过应变数据识别脱粘和裂纹损伤情况具有重要意义,为健康监测智能化提供了参考。