机械性能参数是评价铁磁性材料质量的标准,是铁磁性材料生产过程中的必要考虑指标之一。铁磁性材料屈服强度、抗拉强度、延伸率等机械性能的传统检测方式依赖于破坏性试验,本文基于电磁超声的机械性能无损检测方法,对电磁超声换能器换能效率、电磁超声特征提取方法和多方法融合的机械性能检测技术展开研究。主要内容如下所述:（1）介绍了机械性能、磁致伸缩效应、磁化过程、声速效应在材料微观组织成分和结构上的联系。利用电磁超声信号反映铁磁性材料在磁化过程中的磁致伸缩应变和声速效应,构建材料磁化过程中磁致伸缩系数变化曲线、声速特征与机械性能的函数模型,分析检测方法的可行性。（2）针对电磁超声换能器换能效率低的问题做出优化。研究了电磁超声的换能机理,确定制约换能效率的原因。对发射探头进行了磁芯介质和提离的分析改进,扩大接收探头线圈覆盖面积。优化后探头激发采集的信号是优化前的数倍,解决了过去信号微弱、特征点模糊、样本数据缺乏的问题。利用优化后的探头采集磁致伸缩系数在磁化过程中的变化曲线,提取特征值点,通过BP神经网络构建特征变量与机械性能的映射关系,实现机械性能的预测。（3）提出基于堆栈稀疏自编码器的EMAT机械性能参数估计方法。传统的基于电磁超声的机械性能检测方法手动提取特征值复杂且依赖经验和算法,需要尽的理论分析和评估,却不能完整反映原始信号中的全部有效信息,效率低下。利用SSAE网络对磁致伸缩系数变化曲线进行特征自动提取,作为有监督学习的输入变量,预测材料的机械性能。对比手动提取特征值与SSAE网络提取特征值对机械性能预测的结果,结果证明SSAE特征提取不但能够提高工作效率,更能有效提升机械性能预测网络的正确率和精密度。（4）提出了结合声速效应的机械性能检测方法。介绍了声速采集实验的检测系统,采用正交解调对电磁超声信号进行滤波,获取信号包络,计算超声波传播声时,利用区间窗对声时数据进行筛选得到集中分布、便于构建映射关系的数据。利用基于BP神经网络的平均影响值对声时特征以及磁致伸缩系数变化曲线特征等输入变量进行重要性分析,分析结果表明声速对于估计网络的输出具有较大贡献。利用GRNN神经网络在加入声速前后对机械性能进行估计,对比估计结果,证明声速的加入能够大幅提高机械性能预测的正确率和精密度。