电磁声发射技术是无损检测技术的一种,通过对金属试件进行局部加载激发声发射信号,实现金属试件裂纹缺陷的检测,主要应用于压力容器、叶轮和飞机蒙皮等金属结构件的在线监测。基于此,本文以镁合金AZ31B作为研究对象,以圆孔和裂纹模拟现实生活中常见的铆钉孔或螺栓孔周围的裂纹缺陷,对存在裂纹缺陷的镁合金试件展开研究。针对电磁声发射现象产生的机理、电磁声发射信号的特征提取与识别等关键问题展开仿真与实验研究。具体工作如下:（1）利用COMSOL软件对圆孔和裂纹镁合金试件分别建立基于涡流线圈非接触式加载和大电流接触式加载的电磁声发射有限元模型,验证了电磁声发射技术在镁合金试件裂纹缺陷检测中的可行性。通过对两种加载方式进行对比分析,得出涡流线圈加载方式更具有实践可行性。因此,建立了基于涡流线圈加载的电磁声发射仿真信号的接收模型,并采集到非平稳、非线性的突发型电磁声发射信号,从理论上论证了电磁声发射的检测机理。在有限元分析的基础上,搭建涡流线圈加载的电磁声发射实验平台,并对圆孔和裂纹、圆孔、完好三种镁合金试件的实验信号进行采集,得到非平稳、非线性的突发型声发射信号,这与有限元分析采集到的声发射信号一致,从实验上进一步证明了有限元分析的有效性和正确性。（2）针对常规时频分析方法在电磁声发射信号处理中存在小波基函数不灵活或存在交叉项干扰等缺点,提出了基于广义S变换与极限学习机（Extreme Learning Machine,ELM）结合的电磁声发射信号特征提取与识别方法。首先,利用广义S变换对电磁声发射实验信号进行时频分析,根据三种试件时频图的对比可以发现,圆孔和裂纹镁合金试件的时频图能量分布在低频和高频部分,而圆孔镁合金试件与完好镁合金试件的时频图能量主要分布在低频部分。其次,为了进一步提取能够表征电磁声发射信号的特征,将广义S变换后得到的模时频矩阵按频率进行高、低频带分区,并计算Tsallis奇异熵值,构建一个二维特征向量。最后,利用ELM对特征向量进行训练和测试。结果表明:该方法的识别准确率可以达到92.5%,能够有效地对电磁声发射信号进行识别。（3）为了进一步提升电磁声发射信号的识别准确率,并针对非平稳、非线性信号难以准确地提取特征信息的缺点,提出了基于局部均值分解（Local Mean Decomposition,LMD）与最小二乘支持向量机（Least Squares Support Vector Machine,LSSVM）结合的电磁声发射信号特征提取与识别方法。首先,利用LMD分解将非平稳的声发射信号分解成若干个平稳的乘积函数（product function,PF）。其次,为了缩短训练时间并提高识别效率,本文采用能量占比法筛选出最佳的PF分量信号并建立自回归模型（Autoregressive Model,AR模型）,利用AIC准则确定AR模型的最佳阶数是5阶,提取模型的自回归参数和均方偏差作为信号特征,得到一个六维特征向量。最后,利用交叉验证法优化的LSSVM分类器进行训练和测试,对电磁声发射信号进行分类识别。结果表明:该方法的识别准确率可以达到97.5%,比SVM与BP神经网络的识别准确率更高。