钢丝绳作为工程应用中的关键承载构件,工作环境恶劣、工况条件复杂,随着服役年限的增加,极易出现各种形式的损伤,导致其承载能力降低,因此需要对钢丝绳进行损伤检测,消除安全隐患。本文基于漏磁检测原理及机器学习理论对钢丝绳的内外部断丝损伤进行定量识别研究,主要内容如下:（1）基于漏磁检测原理,对钢丝绳损伤漏磁场进行理论分析,建立磁荷模型,分析提离值和断口宽度变化对漏磁场的影响。建立受损钢丝绳及励磁检测器的三维模型,利用有限元仿真分析不同的断丝数量、断口宽度、内外层断丝、钢丝绳直径产生的漏磁场变化以及损伤漏磁场在周向上的分布情况,分析了钢丝绳与磁铁间气隙、磁极间距和提离值变化对励磁效果以及损伤产生的漏磁场的影响。通过理论分析及有限元仿真,为励磁检测器的结构设计提供依据。（2）设计了钢丝绳安全检测试验平台,其主要由实验台基架、动力控制系统、信息反馈系统、励磁检测器以及数据采集系统组成。为降低漏磁信号对提离值的敏感性,在分析了聚磁环对钢丝绳损伤漏磁场影响的基础上,励磁检测器中加装了聚磁环。由于漏磁信号的轴向分量和径向分量表现形式不同,分别设计了加装聚磁环的钢丝绳轴向励磁检测器以及基于霍尔阵列的径向励磁检测器,并设计了信号预处理电路以及基于Lab VIEW的信号采集系统。为研究损伤位置周向的漏磁分布情况,针对径向励磁检测器设计了多通道信号采集电路和采集程序。制作钢丝绳直径为20、22、24cm的损伤试件,并在钢丝绳安全检测试验平台上开展损伤检测实验,用两种励磁检测器采集钢丝绳损伤漏磁信号,分析其变化规律,验证了本文建立的仿真模型的正确性。（3）引入双密度双树复小波变换对钢丝绳漏磁信号进行降噪,设置自适应阈值,对由磁荷模型计算出的漏磁信号加噪处理所得信号以及钢丝绳漏磁检测信号进行降噪,对比分析了离散小波、双树复小波、双密度小波及本文引入方法的降噪效果;去趋势处理后提取多个时、频域特征作为特征总集;提出了基于类间距离与互信息相结合的特征优选方法,以筛选出有效特征组合,将最后保留的特征作为最优特征子集。（4）基于BP神经网络和超限学习机的分类原理,分别构建了基于BP神经网络和超限学习机的钢丝绳损伤定量识别模型,将最优特征子集作为两种模型的输入,对单规格钢丝绳的9类损伤与多规格钢丝绳的27类损伤进行损伤定量识别,并对比分析了识别结果。结果表明:这两种模型对单规格钢丝绳的损伤识别率较高,对多规格钢丝绳的损伤识别率低,对出现该结果的原因进行了分析。（5）为解决多规格钢丝绳的损伤识别率低的问题,分析了卷积神经网络的分类原理,引入5种由一维信号生成二维RGB图像的方法,生成了小波特征图、VMD特征图、同步压缩小波变换特征图、维纳格-维尔分布特征图、传感器融合特征图5种钢丝绳漏磁特征图像。构建了基于Goog Le Net的迁移学习模型,利用该模型进行钢丝绳损伤定量识别;提出了一种基于二维卷积神经网络的钢丝绳断丝损伤定量识别模型,并对网络进行了卷积层、学习率和batch size的最优参数选取。采用不同特征图训练卷积神经网络,获得钢丝绳损伤识别模型,分析其损伤识别效果。对基于Goog Le Net的迁移学习模型以及本文提出的卷积神经网络识别钢丝绳内外部断丝损伤的效果进行对比分析,结果表明:本文提出的卷积神经网络对钢丝绳内外部断丝损伤的识别率最高,且对多规格钢丝绳的损伤识别率达98.4%。