随着工业现代化步伐加快,铁磁性材料在各工业领域中使用愈加广泛,材料应力集中是铁磁性构件发生损伤的主要原因之一。针对目前铁磁性材料单一应力检测方法存在数据参数随机性强、检测结果精度和鲁棒性差的问题。本文基于巴克豪森（MBN）信号和磁声发射（MAE）信号原理,提出MAE和MBN检测数据的磁-声特征融合方法,利用分布式梯度增强库xgboost机器学习方法建立特征参数模型,实现对铁磁性材料更为可靠的应力测量评估。主要研究内容如下:1)设计MBN（磁）、MAE（声）信号检测系统,实现不同拉应力下纯铁片材料信号采集。其中MAE检测系统的磁轭线圈制作参数通过仿真进行优化。2)针对信噪比低,频域分布复杂的MAE信号,提出改进海鸥算法结合变分模态分解（CVSOA-VMD）的去噪方法,将原始MAE信号进行CVSOA-VMD分解重构。3)为解决信号提取特征值数据存在的冗余问题,对MAE信号和MBN信号提取的各特征值进行相关性分析、特征间方差膨胀因子检验（VIF）后,证明数据间存在多重共线性,利用主成分分析（PCA）对特征值进行降维处理。4)基于xgboost机器学习方法,将信号特征值降维后主成分综合得分作为样本库,应力值作为目标建立模型。采用遍历法对模型输入参数进行优化后,研究单一应力检测信号特征模型和磁-声检测信号特征数据融合模型。并结合随机施加拉应力工件上采集的MBN及MAE信号,利用磁-声融合模型验证预测精度。结果表明:使用CVSOA-VMD算法对设计的仿真MAE信号去噪效果优于改进前SOA-VMD算法,且对于同应力阶段重复采集的纯铁片MAE信号,经滤除噪声后的信号均方根值标准差相对于滤波前最大减少了 85.4%,信号重复性显著提高;针对3929个样本共10组主成分综合得分划分磁-声融合特征模型数据集与验证集,建立xgboost模型,其预测结果R平方值为0.9778,均方误差值为16.185,经对比磁-声融合模型预测精度、鲁棒性均优于比单一检测模型;通过15组随机拉应力值实验与模型预测值对比分析,磁-声融合模型预测结果与实际拉应力值平均相对误差为5.7%,结果表明磁-声融合模型具有较高的可靠性。本文提出的基于xgboost机器学习的磁-声特征融合方法,对目前铁磁性材料应力评估具有一定应用价值,为实现高质量应力检测提供了新思路。