为了保证飞行安全,进行航空结构的疲劳裂纹诊断有着相当重要的意义。基于主动导波的方法由于具有监测范围广、对小损伤敏感等优点而被广泛研究,该方法通常通过提取导波损伤特征进行疲劳裂纹诊断。在真实工程应用中,导波损伤特征因受到裂纹扩展路径、传感器、传感器粘贴等因素的影响而存在较大分散性,这混淆了损伤特征对裂纹状态的反映,降低了裂纹诊断的可靠性。随着深度学习的蓬勃发展,其融合大量数据并从中学习、提取与分类有关的高级特征表达,进而实现高效分类的思想和方法为航空结构的疲劳裂纹诊断提供了切实有效的研究新思路。本文研究了卷积神经网络模型及其在航空结构疲劳裂纹诊断中的应用,主要内容如下:(1)研究了卷积神经网络基本原理,设计了用于疲劳裂纹诊断的一维卷积神经网络,提出了基于导波-卷积神经网络的疲劳裂纹诊断方法。采用了数据标准化、dropout、L2正则化等方法提高卷积神经网络性能。(2)对典型的航空结构——耳片结构单元进行疲劳实验,采用基于主动导波的结构健康监测方法对其疲劳裂纹进行在线监测。研究了损伤特征提取方法并分析了其随裂纹扩展的特性。提出了多通道-多导波特征组合方法,获得的输入样本融合了同一裂纹状态的多种裂纹信息。(3)利用耳片实验数据验证了诊断方法对不同测试试件的可靠性,分析了神经网络提取的特征不变性。选择典型测试试件,通过对比实验验证了提出的多通道-多导波特征组合方法和设计的卷积神经网络的优势。