随着中国桥梁建设的蓬勃发展,桥梁运维始终是关系国计民生的重大问题。受到桥梁长期服役和自然因素的影响,拉索作为斜拉桥等大型桥梁的受力构件,其安全性和耐久性会降低。因此,实现对桥梁拉索的健康监测是保障桥梁正常运营的关键。声发射是一种动态无损检测方法,在桥梁拉索等局部监测中应用愈发广泛。声发射长期监测会产生海量的信号,且信号复杂多样,本文利用深度学习对声发射信号进行处理,实现了对拉索断丝信号较好的识别效果。本文的主要内容如下:通过开展钢绞线拉伸破断试验,基于采集的断丝信号和非断丝信号,提出声发射信号的仿真算法,并实现对真实采集信号的仿真,利用小波包分解结合欧式距离完成对两类仿真信号的筛选。为后续验证仿真算法的有效性,开展实验室条件下的断铅实验,利用仿真算法同样完成对断铅信号的仿真和筛选。从时域、频域以及时频分析等不同角度对仿真信号集进行特征提取,针对时域和频域提取的较多特征,利用Relief算法实现有效特征选择。基于统计方法在选择的有效特征上比较了仿真断丝信号、仿真非断丝信号和真实信号的特征差异,箱线图反映出仿真信号的特征和真实信号特征是接近的,这一点在断铅信号集上也得以验证。通过对信号添加高斯白噪声模拟真实含噪样本,完成对选取特征的鲁棒性分析,在信号信噪比为30dB时,选取的特征可以对两类信号保持较好的区分能力,适用于实桥噪声环境。时频分析采用连续小波变换的方法,在连续小波变换的不同尺度上进一步提取能量比特征,通过不同尺度的对比,完成对小波特征的选择,在选取的各尺度特征上同样比较了仿真断丝信号、仿真非断丝信号和真实信号的特征差异,箱线图反映出仿真信号和真实信号在这几个尺度的小波特征是接近的,这一点同样在断铅信号集上得以验证。通过对小波特征的鲁棒性分析,在信号信噪比为30dB时,小波特征可以对两类信号保持较好的区分性。不同角度的特征提取构建了信号的综合特征向量。为了实现对拉索断丝信号的模式识别,引入深度学习LSTM算法构建信号识别模型,基于仿真断丝和非断丝信号集完成了模型训练,LSTM模型在真实信号测试集上表现了较高的识别准确度和良好的性能。通过对比SVM、PSO-SVM等传统机器学习模型,LSTM在真实信号测试集和信噪比为30dB的仿真信号集上实现了较高的断丝信号识别准确率和F1-Score。