钢丝绳具有强度高、轻柔易弯、不易突然折断、工作平稳可靠的优点,在矿井提升、斜拉桥、吊车、起重等场景中具有重要的应用。由于钢丝绳通常作为主要承力构件且工作在恶劣的环境中,难以避免的会产生断丝、磨损、锈蚀等损伤,影响生产作业的安全,甚至对工作人员的生命产生威胁。断丝作为钢丝绳服役期间极易产生的主要损伤,是影响钢丝绳安全运行的重要因素。许多国家和机构都将一个捻距内的断丝数量作为钢丝绳是否更换的标准予以规定。因此,开展钢丝绳断丝损伤定量识别研究,对于评价钢丝绳服役状态和保障生产安全具有重要的理论意义和实用价值。本文在总结分析国内外研究现状的基础上,提出钢丝绳断丝损伤检测与定量识别研究课题,对钢丝绳断丝损伤定量识别进行了深入系统的理论、仿真和实验研究。（1）为了探索钢丝绳内部的磁场分布特征及其与励磁器结构参数之间的关系,通过有限元仿真的方法研究了不同磁铁位置和不同励磁方式的励磁器对钢丝绳的励磁效果,证明了磁铁放置在两端的多回路周向均布励磁结构有利于将钢丝绳饱和磁化且钢丝绳表面能够形成适合检测的均匀磁化段。基于等效磁路计算和仿真分析进行了励磁器的优化设计,为励磁器设计制作提供了理论依据和实用方法。（2）针对传统的霍尔阵列传感器输出信号微弱的问题,提出了基于聚磁检测原理的传感器设计思路,仿真研究了聚磁传感器的漏磁聚集效果以及损伤与检测元件之间的角度变化对聚磁检测产生的影响,表明了聚磁器能够提高霍尔元件检测漏磁的强度并且不受检测角度的影响。设计了具有两个聚磁环和两个磁桥路的钢丝绳断丝损伤检测聚磁传感器,对比分析了聚磁传感器与霍尔阵列传感器在不同提离距离下对损伤漏磁场的检测效果,结果表明聚磁传感器能有效提高漏磁检测信号的强度。（3）为进一步验证传感器的性能和仿真分析结果,开展了大量的断丝损伤检测实验研究。对不同数量、不同位置、不同直径和不同断口长度的钢丝绳断丝损伤进行了检测和分析,将聚磁传感器与霍尔阵列传感器检测的信号进行了对比,验证了仿真的结果,即聚磁传感器能更全面的收集漏磁场。对于不同种类的断丝损伤,聚磁传感器检测的信号强度均大于霍尔阵列传感器,尤其对于内部断丝和不同断口长度的断丝损伤,聚磁传感器检测的信号区分度更好,为钢丝绳断丝损伤定量识别提供了可靠稳定的损伤信号。（4）针对人工特征提取和选择具有局限性的问题,提出了基于卷积神经网络的钢丝绳断丝损伤信号自适应特征提取方法。引入连续小波变换将断丝损伤漏磁信号转换成时频图,通过卷积神经网络从损伤漏磁信号的时频图中自动提取故障特征,并逐步融合优化成适合分类的特征。利用t-SNE算法将卷积神经网络对不同断丝损伤信号提取的特征进行可视化并和人工特征进行对比,证明了基于卷积神经网络的自适应特征提取方法比传统人工特征提取方法具有更好的损伤区分效果。（5）针对目前已有断丝定量识别模型准确率和泛化性不高的问题,提出了基于卷积神经网络的钢丝绳断丝损伤定量识别方法。将断丝损伤漏磁信号转换成的时频图作为卷积神经网络的输入,并对不同结构参数的卷积神经网络进行测试,建立了最优的卷积神经网络识别模型。实验证明该模型能够准确区分钢丝绳不同种类的断丝,尤其实现了不同直径钢丝绳内部断丝的高精度识别。同时为了解决小样本条件下钢丝绳断丝损伤的定量识别问题,研究并建立了基于迁移学习理论的断丝损伤定量识别模型。对预训练网络的低层参数直接迁移,高层参数根据损伤数据集进行调整优化,实现了自然图像到断丝漏磁时频图的迁移应用。用不同种类的小样本断丝数据对深度迁移模型进行验证,证明了该模型能有效解决小样本情况下钢丝绳断丝损伤的定量识别问题。