由于锚杆锚固技术具有施工简便、支护性能可靠等优点,被广泛应用于隧道施工、稳固围岩和采矿巷道支护工程建设中。锚杆锚固容易受到周围环境的影响而产生质量问题,并且其损伤具有高度隐蔽性,给施工过程以及未来的使用留下安全隐患。而锚固的密实度是衡量锚杆锚固质量的重要指标,因此,对锚杆锚固密实度进行检测成为锚杆锚固质量检测中的重要任务。本文针对不同锚固密实度的锚杆锚固系统,利用优化后的核主元分析(KPCA)对系统的频率响应函数进行降维,然后用自适应增强算法(Adaboost)构建强分类器对锚固密实度进行识别分类。具体研究内容如下:(1)通过实验设计制作了不同锚固密实度的锚杆锚固系统模型,并搭建了信号采集系统,实现对锚杆锚固系统频响函数的采集。研究了频响函数质量评估方法,以保证采集到的频响函数质量的可靠性。(2)由于锚杆锚固系统的实测频响函数数据量大,并且包含噪声以及非线性成分,因此,采用KPCA对锚杆锚固系统的实测频响函数进行降维,以降低数据的复杂程度。针对KPCA中核函数的核参数难以确定这一问题,采用小世界粒子群(SWN-PSO)算法对核参数进行寻优。依据“类内距离最小,类间距离最大”的可分性判据,构造了SWN-PSO的适应度函数。通过比较不同主元累计贡献率情况下的分类准确率,确定了SWN-PSO-KPCA选取主元的个数。(3)针对传统Adaboost算法只能处理二分类的问题,研究了多分类问题处理方法。构造了BP＿Adaboost强分类模型,以提升BP神经网络的泛化能力。采用遗传算法(GA)优化BP神经网络的初始权值和阈值,将GA的全局搜索能力和BP神经网络良好的分类能力相结合,以改善BP神经网络局部收敛和寻优的盲目性。最后,以GA-BP神经网络作为弱分类器构建GA-BP＿Adaboost强分类模型,并验证了其在锚固密实度识别中的有效性。(4)分别用主元分析(PCA)、取不同核参数的KPCA和SWN-PSO-KPCA对不同锚固密实度的锚杆锚固模型的实测频响函数进行降维,并分别将降维后的数据输入单阈值决策树＿Adaboost强分类模型进行分类,通过比较分类准确率验证了SWN-PSO-KPCA的有效性和优越性。将降维后的数据分别输入BP神经网络、GA-BP神经网络、BP＿Adaboost强分类模型和GA-BP＿Adaboost强分类模型进行分类,分类结果显示GA-BP＿Adaboost强分类模型的平均绝对误差和均方根误差均小于另外三种分类模型,验证了GA-BP＿Adaboost强分类模型的优越性。