随着我国城镇化建设的推进和绿色低碳循环发展经济体系的建立,管网系统作为我国经济建设中的重要一环,其规模也在不断扩大,这给管道系统结构健康监控带来了巨大的挑战。近年来管道故障事件的频频发生,人们也开始意识到对管道结构健康监控这一学科的研究的重要性,研制出高效、精确、广泛使用的管道结构健康监控系统已然成为管道结构健康监控课题的共同目标。管道结构损伤形式有很多,包括裂纹、划痕、开孔、腐蚀等等。不同形式的损伤需要采取不同的维护策略。目前,尽管国内外在管道结构缺陷超声导波缺陷上进行了大量的理论以及实验研究,但主要都在于对管道是否存在缺陷进行检测并进行定位,而对不同种缺陷类型进行识别并定位的研究相对较少,针对这一问题,本文将结合大数据背景下的模式识别技术与超声导波检测实验系统对不同种类管道损伤的识别与定位进行研究。本文针对钢制管道的结构损伤缺陷识别与定位问题,以外径76mm、壁厚3mm的304不锈钢管道为研究对象,搭建基于压电超声导波的损伤检测实验平台,首先通过对实验现象进行充分的研究,确立了一套实验方案。随后,结合变分模态分解降噪分解算法和基于多层感知器的深度神经网络模型实现了缺陷特征提取以及损伤的智能判别。最后,采用脉冲回波法实现了缺陷的定位。本文的具体工作及主要结论包括:(1)搭建了基于压电超声导波的损伤检测实验平台,结合导波理论充分研究了实验现象,确定了实验中激励信号的周期数、频率以及驱动器的排布方式,并据此制定了实验方案。实验结果表明,本实验平台能明显的观测到无缺陷管、20mm裂纹缺陷管以及3mm通孔缺陷管的三种检测结果均存在一定差异,且20mm裂纹缺陷管检测信号中能够明显观测到缺陷回波信号并实现缺陷定位。(2)研究了导波信号的降噪方法和特征提取方法,提出了基于变分模态分解算法的信号时域、频域特征提取方法。研究发现,变分模态分解算法相较于小波分解、经验模态分解算法能够更好的保留原始激励信号并放大化缺陷的时域和频域特征。(3)基于不同类损伤管道信号的时频特征的差异性,提出了基于多层感知器的深度神经网络结构损伤识别方法。通过模型对比实验发现,基于多层感知器的深度神经网络结构损伤识别方法在判别准确率、模型训练效率、以及模型稳定性上均优于传统的BP神经网络模型。提出了基于脉冲回波理论的损伤定位方法,结果发现,该方法的定位结果能精确到0.1米之内。