在当前的大数据时代背景下,深度学习受到了越来越多学者的关注。卷积神经网络作为深度学习中重要的算法之一,它相比于传统算法有着能够降低参数量级的明显优势。正因为卷积神经网络拥有自动提取大数据内在特征的能力,它在近些年内的发展十分迅速。本文以卷积神经网络在损伤识别中的应用为研究对象,分析了卷积神经网络相对于传统损伤识别方法的优势所在,并介绍了卷积神经网络的几个经典模型与各层的作用,最后借助有限单元法与动力学激振实验探讨了卷积神经网络在损伤识别中的应用。在单损伤位置简支梁有限元模型的损伤识别中,研究表明卷积神经网络对于单损伤位置情况有较高的识别准确率。在双损伤位置简支梁有限元模型的损伤识别中,研究表明卷积神经网络相对于单损伤情况而言,在双损伤位置情况下的识别准确率较低,但是也达到了较为可观的识别准确率。通过上述过程,研究发现通过一系列数据增广措施来增加数据批次的方法能够有效避免卷积神经陷入局部拟合,从而提高网络的泛用性。双损伤位置钢梁的力锤激振实验从数据上验证了卷积神经网络在损伤识别中的有效性,研究表明卷积神经网络在经过有限单元模型数据的训练后能够成功依据实验数据来预测出钢梁的真实损伤位置,证明了其具有一定程度的泛用性。继续进行一座相同结构参数的完整钢梁力学激振实验,并借助其采集到的加速度信号训练卷积神经网络,最后通过设置均方差阈值的方法成功验证了数据驱动思想在卷积神经网络中的应用可行性,在研究过程中发现:卷积神经网络具有一定程度的抗噪能力;卷积神经网络能够解决传统损伤识别方法需要依赖精确有限元模型的问题;通过预先设定损伤函数大小阈值,卷积神经网络具有在健康监测中应用的潜质。