飞行器的结构健康是保障飞行安全的重要因素,对飞行器结构的健康监测方法大多数是离线无损检测,增加了维护成本,在维护期间的正常拆卸和维修工作会不可避免的损坏其他部件,降低了飞机的整机可用性。按照现代维修思想的要求,必须保证安全性和可靠性,且维修成本不应过高,维护不仅局限于更换部件,还必须依靠一些可靠、快速的监控技术,来获得能够反映系统健康状态的特征量,对飞行器的结构状态进行评估,以此实现在线监测。飞机的机构元件在运动的过程中,金属表面之间会发生相互作用和变化,而了解和研究金属表面在相互接触和摩擦的状态是对飞机结构部件进行健康监测的基础。金属表面损伤区域通常因接触摩擦产生静电,电荷分布密度可反应损伤的大小、形状、相对位置等信息。基于此,本文应用平面阵列式静电传感器检测金属表面接触损伤。本文的主要工作如下:1)优化设计平面阵列式静电传感器。从传感器的屏蔽方式、电极数目、电极形状和排列方式等方面进行优化,并利用多种图像重建算法:Landweber算法、CG（共轭梯度算法）、Tikhonov正则化和PDIPA（原始对偶内点法）,以感应电荷值的大小、灵敏度的均匀性以及图像相关系数为指标评价所设计的静电传感器的性能。结果表明,电极形状为六边形、屏蔽方式为屏蔽底座一体式、以新方式排列、占空比为80%且外围一圈屏蔽电极的传感器,对不同损伤模型的成像效果均较优,用PDIPA算法进行图像重建时,图像相关系数达90%以上。2)将PatchGAN算法用于静电层析成像（Electrostatic Tomography,简称EST）图像重建中,以提高图像重建的质量。针对阵列传感器电极数与成像精度和测量电荷幅值之间的矛盾,提出在5×5阵列电极的基础上利用Patch GAN算法重建出接近9×9阵列传感器效果的图像。首先搭建Patch GAN的网络框架,生成网络由三个卷积模块、八个残差模块、两个反卷积模块和一个卷积模块构成,判别器采用马尔科夫判别器,全由卷积层构成。然后构建训练样本集,通过仿真实验采集了11种电荷分布模型的1226组数据,其中1123组数据用于训练网络,103组数据用于测试。5×5阵列传感器的重建图像作为生成网络的输入,9×9阵列传感器的重建图像作为真实数据和生成器生成的图像一起作为判别器的输入,生成器和判别器交替训练,直到网络达到纳什均衡,最后输出图像。训练结果表明,该算法能有效改善低电级数传感器的成像精度,使其重建精度接近高电极数传感器的成像精度,峰值信噪比平均可达28.41,平均绝对误差约为0.044。