耐火材料组成成分复杂，属于多孔、多相性的微观非均质材料。在损伤过程中所产生的声发射信号包含了损伤源的丰富信息。对耐火材料损伤特征进行有效的提取，并选择合适的分类器是实现其损伤模式识别的关键。本文针对耐火材料声发射信号具有多重分形性、非线性、非平稳的特性，利用多重分形理论、经验模态分解相结合的方法进行信号的特征提取，并采用支持向量机及BP神经网络两种分类方法进行损伤模式的识别，对耐火材料微观损伤的研究具有积极的意义。本文主要研究内容如下：（1）本文以镁碳质耐火材料为研究对象，通过单轴压缩试验模拟其受压应力状态下损伤状况，并采集受压过程中损伤声发射信号以进行分析。根据复合材料中不同组成成分损伤时发出的信号频率成分与其弹性模量及密度相关，分析并分选耐火材料典型损伤信号。（2）为从多重分形各项参数（Δα、Δf、K、MeanDq）中挑选出最佳损伤特征量，根据声发射信号的特点建立了一系列不同频率结构的仿真声发射信号，并通过仿真信号分析挑选出最佳特征量，最后用实验信号进行验证。分析结果表明，多重分形谱宽Δα值能够很好表征声发射信号的特征，最适合用作损伤特征量。（3）针对声发射信号非线性、非平稳的特性，通过EMD方法将信号分解为若干IMF分量，并将整个信号及各IMF分量的多重分形谱参数组成特征向量作为分类器的输入量。然后分别采用SVM及BP神经网络两种模式分类方法对损伤信号进行模式分类，两种方法的分类准确率均达到了90%以上，这也验证了采用EMD与多重分形谱参数相结合的方法对实验信号进行损伤特征提取的合理性。（4）对SVM及BP神经网络两种分类方法在不同训练样本下的分类结果进行对比分析，发现SVM能够在较小样本情况下实现更高分类准确率，比BP神经网络方法更具优势。