钢丝绳作为承载部件,它的承载能力和剩余寿命直接关系到生产设备和工作人员的安全。由于钢丝绳在发生断裂前没有任何的预兆,因此在评估钢丝绳的综合性能时,有必要对它的早期损伤进行检测和分析。金属磁记忆检测（Metal Magnetic Memory,MMM）技术作为一种新型的无损检测方法,通过金属磁记忆效应能够有效地对铁磁材料的早期损伤进行诊断,已被证明是表征铁磁材料应力集中区和早期损伤最为有效的方法之一。本文研究了基于弱磁激励下的钢丝绳早期损伤的磁记忆信号量化关系研究,进行了有限元仿真和试验。本文主要研究内容如下:为了研究弱磁场激励对缺陷钢丝绳磁记忆信号的影响,本文使用对称永磁体来模拟弱磁场,采用力-磁耦合模型,通过ANSYS Workbench有限元仿真软件分析了弱磁场和地磁场下缺陷钢丝绳受拉时的磁记忆信号变化规律,同时探究了提离值、缺陷深度、缺陷宽度与缺陷钢丝绳磁记忆信号之间的关系。研究结果表明弱磁激励能强化钢丝绳缺陷处的磁记忆信号。提离值大小和缺陷深度对磁记忆信号影响较大,而缺陷宽度对磁记忆信号影响较小。设计了一种弱磁激励装置,实现了基于弱磁激励下的钢丝绳磁记忆信号检测试验,将试验结果与有限元仿真结果进行对比,验证了弱磁激励对钢丝绳磁记忆信号的有效性。同时设计了基于弱磁激励的钢丝绳磁记忆信号采集装置,该装置实现了对钢丝绳整绳径向磁记忆信号的采集。针对传统降噪算法对噪声信号无法较好的抑制,首先采用小波滤波算法对原始信号进行降噪,这种算法操作简单,降噪明显,但信噪比低,信号波动较大。为了达到更好的降噪效果,提出了基于经验小波变换（EWT）的小波滤波算法,该算法能够有效抑制噪声信号,通过对比其他算法的信噪比和均方根误差,验证了该算法在磁记忆信号降噪方面的优越性。针对钢丝绳缺陷图像分辨率低且灰度图所含信息少等问题,提出了伪彩色图像和卷积神经网络图像超分辨率重构（SRCNN）的方法,将钢丝绳断丝灰度图像映射为伪彩色图像并经过SRCNN重构后分辨率提高一倍。提取重构前后的伪彩色图像的颜色矩特征作为Elman神经网络的输入,对断丝进行定量识别。实验结果表明重构后的断丝图像的识别率有了显著提高,从而验证了SRCNN的有效性。同时,将Elman神经网络的识别结果与BP、LVQ神经网络的结果进行对比,通过对比不同隐藏层、不同百分比误差时的识别率,证明了Elman神经网络的断丝定量识别效果更好。