锚杆已被广泛应用于公路、隧道、建筑等工程领域中。锚杆质量的优劣、支护性能的好坏与整个工程的安全性、可靠性密切相关,因此对锚杆锚固系统质量的检测变得尤为重要。识别锚杆锚固系统是否有缺陷以及缺陷种类又是检测锚杆锚固系统质量非常重要的一项任务,传统的识别方法基于信号处理技术,需要人工选择特征,存在耗时、费力、难以挖掘新特征等问题,而深度学习作为机器学习领域的一种新兴方法,为锚杆锚固系统的类型识别提供了新的研究方向。与传统的识别方法相比,深度学习能够对实验中采集到的锚杆原始信号进行逐层学习,得到更加抽象的高层特征,从而实现更加准确的锚杆锚固缺陷类型识别。论文利用卷积神经网络(CNN)对不同缺陷类型的锚杆锚固进行识别,为了提高CNN模型有效特征提取的速度和准确度,采用萤火虫算法(FA)与稀疏自编码器(SAE)网络相结合的方法对该模型的初始卷积核进行预训练。主要研究内容如下:(1)搭建了锚杆信号采集实验平台,并利用应力波反射法对四种不同类型的锚杆锚固系统进行了加速度信号采集,为后续锚杆类型的识别提供了数据基础。(2)阐述了CNN网络的相关理论和训练方法,建立了基于一维卷积神经网络(1D CNN)的锚杆锚固缺陷类型识别模型,并通过分析网络的卷积层层数、卷积核尺寸以及卷积核个数对缺陷类型识别结果的影响,确定了最优的网络结构。实验结果表明,与浅层学习方法相比,该模型具有更好的识别效果。(3)针对随机初始化1D CNN的卷积核会造成网络有效特征提取速度慢、准确度低等问题,建立了基于FA-SAE-1D CNN的锚杆锚固缺陷类型识别模型,利用经FA优化后的SAE网络对1D CNN的初始卷积核进行预训练,为进一步提高该模型特征提取的准确度,模型中的采样层使用动态采样。结果表明,与1D CNN相比,该改进模型获得了更高的识别精度。(4)针对1D CNN模型只是学习了锚杆信号的时域特征而忽略了频域特征的问题,建立了基于短时傅里叶变换(STFT)的锚杆锚固缺陷类型识别模型。将锚杆原始加速度信号经STFT得到的时频谱图作为该模型的输入,通过卷积和采样操作,最终实现锚杆锚固系统缺陷类型的识别。结果表明,与单独采用时域或频域数据作为输入的CNN模型相比,STFT-CNN模型获得了较高的识别率。