胶合板作为工程中广泛使用的材料,其力学强度、破坏模式和破坏机理是评估其安全性的重要指标,传统的力学方法对损伤过程的表征尚显不足。而声发射作为无损检测的重要方法之一,其参数特征可对材料的破坏模式进行识别。本文用声发射检测技术对胶合板破坏过程进行监测,研究其力学强度与破坏机理的关系,并将它用作胶合板质量评价的补充手段。首先对胶合板受载破坏过程进行声发射全程监测,以参数分析法对试样不同的破坏特征加以区分。实验表明,不同的试样在受载过程表现出不同的应力-应变关系,且声发射历程中所表现出来的信号活动情况以及信号特征也有着明显的不同。从声发射信号的参数特征来看,材料的损伤破坏具有阶段性,不同阶段信号的特征有所区别。其次应用小波阈值收缩法对声发射信号进行降噪,并比较了七种不同阈值方法降噪的效果,得出小波变换启发式阈值原则硬阈值法最适合本文声发射信号的降噪,降噪后信号在光滑性和相似性上均能达到较好的效果。再次应用小波包变换对信号进行五层分解,对比五种不同损伤信号的频谱、时频、小波包谱图,得出不同损坏信号的频谱差异。并从时频图出发,将信号上每一点的时间和频率联系起来,观察信号在时间和频率上的分布。通过小波包谱图能清楚地发现,不同类型的声发射信号小波包分解后叶子能量分布的差异,提取此特征向量作为神经网络模式识别的样本输入。最后设计了一个三层BP网络,用三种不同训练函数对网络进行训练,并比较各算法的收敛速度,最后确立Levenberg-Marquardt算法作为BP学习算法。在对26组训练样本81次训练后,网络达到设定的最小期望误差。检测27组测试样本,能正确识别出25组,识别正确率达到92.6%。这表明该人工神经网络的范化能力较高,设计结构合理,能达到自动识别声发射信号类别的目标,因而具有良好的推广价值。