声发射技术具有对损伤敏感、受几何构造影响小、探测距离远等优势,适用于土木工程结构的在线监测。利用声发射进行结构健康监测需要通过声发射信号的定量分析达到损伤识别、定位和评估的目的。声发射信号包含材料的动态微观损伤信息,不同损伤机理的信号通常具有不同的瞬时频率成分。本文针对声发射信号定量分析的需求,提出基于时频分析和深度学习的声发射信号分类方法。采用小波变换研究声发射信号的时频能量分布,然后建立卷积神经网络深度学习模型自动提取信号的时频特征,并对不同损伤机理的信号进行分类,从而实现结构的损伤识别与定量评估。本文的主要研究内容包括:（1）提出了基于时频分析和深度学习的声发射信号分类研究思路,并对相关理论基础和研究现状进行综述。介绍小波变换的基本理论,包括连续小波变换、同步挤压小波变换、经验小波变换,并对比各类小波变换的优缺点;介绍卷积神经网络的基本原理、网络结构、训练方法和优化途径。（2）针对钢轨裂纹声发射监测问题,进行监督学习的信号分类研究,提出了一种基于同步挤压小波变换和多分支卷积神经网络的信号分类方法,用于钢轨运营噪声、车轮冲击、裂纹扩展三类典型信号的识别。由于三类声发射信号较为相似,采用同步挤压小波变换能够更加清晰地揭示信号的时频能量分布;然后建立多分支卷积神经网络提取不同频带的能量分布特征,提升分类的正确率;进而通过迁移学习和贝叶斯超参数优化,实现超强噪声下钢轨裂纹的识别。最后,通过现场钢轨裂纹实验和实验室疲劳实验获得的5200个声发射信号所组成的数据集,验证所提出方法的有效性。（3）针对高强螺栓连接状态声发射监测问题,进行无监督学习的信号分类研究,提出了一种基于经验小波变换和卷积神经网络-高斯混合模型的信号分类方法,用于高强螺栓静摩擦传力、相对滑移及螺杆弹性变形、螺杆塑性变形及断裂三个受力阶段的状态识别。由于三个阶段的声发射信号存在微观机理交叉,采用经验小波变换能够自适应地划分信号的特征频带;然后建立卷积神经网络模型对信号进行时频特征提取和数据降维;进而将获得的特征向量输入高斯混合模型聚类,并结合材料失效机理分析,实现高强螺栓不同受力阶段典型声发射信号的识别。最后,通过实验室高强螺栓连接构件剪切破坏实验获得的7282个声发射信号所组成的数据集,验证所提出方法的有效性。