混凝土是建筑中重要的材料,其健康状况影响着建筑的使用安全性。混凝土内部缺陷,如孔洞、裂缝、夹杂异物等,是无法从外部通过肉眼观测到的。超声波可以用于混凝土内部健康状况检测的无损检测技术,检测时建筑结构仍然保持完整,而且受外界干扰较小。混凝土的非均匀性和多相性使得超声波检测信号复杂多样,识别难度大。为了实现混凝土健康状况的智能检测与自动化识别,本文研究了混凝土超声波检测的硬件系统应用,分析了硬件系统评估方法,并着重对智能识别算法在超声波检测信号上的分类识别进行了研究与分析。本文以FPGA为控制核心设计了包括发射电路、接收电路、采集电路等模块的硬件系统。通过实验数据对比理论输出结果,验证了接收电路具有良好工作性能。计算发射电路输出脉冲波形数据与理论输出脉冲的残差相似度和Pearson相关系数评估发射电路的性能。在空气中进行超声波收发实验,计算各组数据之间的Pearson相关系数、均方根误差（RMSE）、幅度平方相干系数作为评估参数,分析整体系统输出信号的相似程度、相干性和稳定性。进而建立了超声波检测系统的硬件性能评估方法。针对检测所得的超声波信号难以直观判别检测类型的问题,本文从传统的机器学习方法BP神经网络,到近年新提出的随机配置网络（Stochastic Configuration Networks,SCN）和深度学习中的卷积神经网络（Convolutional Neural Networks,CNN）,逐步探索不同模型在混凝土超声波检测信号识别上的表现。而信号中的噪声干扰会影响模型的识别准确率,本文采用小波包变换（Wavelet Packet Transform,WPT）处理信号,使得信号更容易提取有效信息。使用C30等级混凝土超声波检测数据的实验结果表明,小波包变换处理信号对后续信号识别是有利的,三种模型均可有效识别混凝土超声波检测信号。结果中,卷积神经网络具有最高的识别准确率。为了方便用户使用本文所述的检测系统,基于C#语言和Visual Studio 2019软件开发了该系统的上位机应用界面。在应用中将小波包变换和卷积神经网络作为信号处理和识别算法,界面显示输出结果。使用该应用可以简单、便捷地将检测结果传达给检测人员,减少了人员负担。