随着航空航天事业的发展,飞行器呈现出大型化、复杂化和轻量化等特点。凭借着高比强度,高比刚度等性能优势,碳纤维树脂基复合材料在这些领域的应用越来越广泛。然而,复合材料的全寿命周期监测一直是热点问题,主要包括材料的制造阶段和服役阶段。树脂的固化过程是复合材料在制造阶段最为关键的一步,如果这个过程中的应变、温度和化学反应程度等信息可以通过有效的监测手段被实时获取,那么复合材料产品的质量就可以得到很好的保证,这将有利于提高复合材料结构在服役阶段的可靠性和安全性。此外,在制造阶段,通过合理地在复合材料内部布置传感器,实现传感器与材料的高度集成,既有利于提高传感器的存活率,又能有效监测复合材料结构在服役过程中的健康状态。复合材料机翼作为飞机的主承力结构,需要承受非常复杂的气动载荷,其应力应变信息及受载情况是评估飞行器健康状态的重要依据。同时,鸟撞或掉落的石头等撞击载荷对广泛应用于飞机上的复合材料结构造成了极大的威胁。因此,高效且可靠的载荷识别算法是十分必要的。本文以碳纤维复合材料的全寿命周期监测为背景,基于光纤布拉格光栅（Fiber Bragg Grating,FBG）传感器对复合材料固化过程进行了监测,并基于这些传感器采集到的应变信息,开发了两种先进的载荷识别算法用于监测飞机在服役过程中的受载情况。本文主要工作内容如下:（1）进行了悬臂梁加载试验,使用不同厚度的胶层安装FBG传感器,在相同的载荷状态下,比较FBG传感器和应变片的测量结果,研究了胶层厚度对应变传递的影响,验证了 FBG传感器在线监测的可行性。（2）在预浸料的铺层过程中埋入FBG传感器,通过特殊的布置方案对复合材料的固化过程进行了监测,并分析了单向复合材料板不同方向的应变差异。结果表明,FBG传感器可以对树脂的状态变化实现良好的监测。（3）基于这些埋入式传感器,提出了一种基于集成学习的撞击载荷识别模型,它由基础学习器和元学习器组成,通过撞击载荷和FBG测得的应变响应对模型进行训练,得到识别结果。结果表明,与其他智能算法相比,由BP（Back Propagation）和SVR（Support Vector Regression）组成的集成学习模型具有更好的撞击载荷识别能力。同时也探究了波达时间和传感器间距对集成学习模型的影响,证明了波达时间可以为模型提供有效的定位信息。（4）对加筋复合材料板进行了有限元分析,优化了传感器布局。并使用仿真数据对Kriging插值法进行了优化,用于反演结构的全场应变,并与传统的插值方法进行了比较,证明这种新的插值方法可以较为准确的计算结构关键点的应变信息。然后将插值结果设置为神经网络输入,建立K-BP神经网络,对插值模型和BP神经网络进行融合训练,实现集中载荷识别,并与其他神经网络进行比较,结果表明,这种模型可以使用较少的样本达到更加精确的识别结果。同时,K-BP模型在训练过程中可以合理的调整插值模型的参数,为提高应变场反演的精度提供了依据。