在飞机外翼、阻力板、机头整流罩等飞机关键部位的长期服役中,这些板状结构部位容易受到冰雹冲击、鸟群碰撞等威胁性行为,导致部件出现损伤,严重威胁飞行器的安全运行,因此,对板状结构进行结构健康监测是一项具有重要意义的课题研究。本文使用压电晶片传感器作为驱动器和传感器,利用Lamb波对铝板上的损伤进行监测。对信号的传统处理中,比如使用傅里叶分析、小波分析、损伤指数法等方法,需要人工提取特征,虽然人为突出了特征,但是在处理过程中也丢失了许多深层次特征,没有充分利用信号数据,影响准确率的同时对研究人员的专业知识要求也比较高。本文研究了卷积神经网络（Convolutional Neural Network,CNN）和长短期记忆网络（Long Short-Term Memory,LSTM）在板状结构损伤监测中的应用。CNN因其高效以及对数据高维特征的强大提取能力,在数据处理方面应用广泛,本文提出基于一维卷积神经网络（1-D CNN）和二维卷积神经网络结合长短期记忆网络（2-D CNN-LSTM）两个模型实现板状结构上的损伤监测并对其有效性做出实验验证,同时探讨了传感器的数量和排列位置对损伤定位准确性的影响,主要内容如下:（1）本文阐述了CNN模型和LSTM模型的基本原理,设计了一种能直接处理Lamb波时域信号的1-D CNN,将原始信号和差信号分别作为输入对比实验结果,确定实验中输入信号的选择,然后探索了传感器的数量和排列方式对板状结构的损伤定位准确率的影响,最终训练得出的网模型结构紧凑,实验表明该方法能较为快速的定位到铝板上的损伤区域。（2）考虑到CNN缺少对信号时间维度特征的关注,本文将LSTM引入到CNN中,并且鉴于2-D CNN对于图像具有优异的特征提取能力,可以有效提高图像数据分类或回归的准确性,因此设计了2-D CNN-LSTM用于板状结构的损伤定位。在该方法中,将不同损伤位置的Lamb波信号和基准信号之间形成的差信号转换成二维图像作为训练样本。结果表明该方法能有效分辨出不同损伤位置采集的信号,实现对损伤的判定和定位,通过对比实验验证了本文方法对损伤的定位精度做出了改进。