钢管混凝土因具有承载力高、易于施工、抗震和耐火性能好等优点,在土木工程领域作为主要受力构件被广泛应用。钢管混凝土的构造特点决定了其主要损伤形式是内部核心混凝土与外钢管的分离,这种脱空的现象无法直接观测,提升了缺陷识别的难度。损伤程度的增加使得钢管混凝土截面的抗力降低,当构件进入承载力极限状态时,将会导致结构发生破坏。故对钢管混凝土脱空的检测是防灾减灾方向重要的研究课题。针对钢管混凝土脱空损伤的诊断,常规的检测方法各有优劣,但多数精度较高的检测方法具有操作复杂、设备笨重、使用条件严苛等问题。本文的研究目标是摆脱上述困难,实现一种简便、快速、高精度、低成本的智能在线脱空损伤检测方法,最终确立了基于声学与机器学习结合的脱空损伤检测方法。为此主要的研究工作如下:（1）研究多种声学特征参量及其提取与组合方式。整理了信号处理与声学分析中常用的时域、频域、时频域声学参量,运用F-ratio量化特征参量对构件刚度变化的敏感性,得到对损伤识别贡献能力较高的声学特征参量。提出以高敏感性与低冗余性两个方向组合声学特征向量,作为基于机器学习分类的信号预处理方法。（2）选定支持向量机作为刚度变化构件声学检测的分类器。整理了多种机器学习算法,结合声学参量提取的方式与数据特征,提出使用支持向量机作为损伤识别的分类器,并优化了针对声信号的支持向量机参数。对两类特征向量分别进行机器学习测试,均取得了较高的识别精度,使得基于声学的结构检测具有智能分类的能力。（3）验证了基于声信号处理与支持向量机结合的方法,对实现钢管混凝土智能脱空诊断的可靠性。将两类特征向量对应的参量提取方式与支持向量机分类直接运用到钢管混凝土的脱空检测,取得了理想的分类精度。针对钢管混凝土本身的特点和实验的缺陷,运用离散系数对特征参量的提取方式进行优化,提升了脱空检测的识别精度。