作为浮式生产储油卸油轮(FPSO)的一种定位系统,软刚臂单点系泊系统因其拥有诸多优点,在我国南海、渤海海域服役。由于其长期工作在固定海域,受到风、浪、流的联合作用下,容易出现铰节点的疲劳损伤现象。而铰节点是单点系泊系统中重要的结构。如果铰节点发生损伤,会严重影响浮体结构的系泊能力,甚至出现重大的安全问题,所以针对软刚臂铰节点的损伤识别研究是十分重要的。传统的数值方法因其引入诸多假设等缺点,导致该方法对软刚臂铰节点损伤状态的识别效果并不理想。本文提出了深度学习与数据特征处理相结合的分析方法,对软刚臂系泊系统的铰节点损伤识别问题进行了研究。首先介绍被经常应用于分类问题的深度学习方法,并对深度学习方法在海洋结构损伤识别问题上的应用流程进行了说明。通过构建ADAMS软刚臂系泊系统有限元仿真模型,对软刚臂系统进行了运动行为分析,进而根据分析结果选取有效特征值。同时,基于ADAMS软刚臂系统的有限元仿真模型,采用多层前馈神经网络方法进行了铰节点损伤识别的初步研究,通过验证结果表明,深度方法可以有效识别损伤状态,其中最高的验证准确率可达81.94%。为了验证该方法在真实结构的有效性,搭建了软刚臂系泊系统大比尺实验模拟系统,开展了软刚臂系泊系统下铰节点损伤识别验证。其中使用海洋自然工况与拉丁超立方抽样工况,作为用于训练、测试以及验证深度学习损伤识别模型的实验工况。将深度学习方法与特征处理方法结合,进行损伤识别模型的训练与验证。最后,通过实验结果比较了不同特征输入和不同深度学习架构对损伤识别模型泛化能力的影响。结果表明特征的筛选与提取可以提高损伤识别模型的泛化能力,且基于堆栈稀疏自编码神经网络的损伤识别方法相对比多层前馈神经网络的识别方法能够更有效地识别铰节点位置与损伤状态。其中堆栈稀疏自编码网络对于验证集的平均识别准确率最高可达84.67%,证明了深度学习方法在海洋结构损伤识别方面的有效性。