各向异性亦称“非均质性”。指物体的全部或部分物理、化学等性质随方向的不同而各自表现出一定的差异的特性。各向异性材料的许多独特优点，如强度比和刚度比高、抗疲劳性和抗振性能好以及结构的可设计性等，使得其在许多领域得到越来越广泛的应用。进而，对其性能改进的要求越来越高，这就要求有更先进的检测方法对该种材料的特性进行检测。先进的复合材料力学特性的检测方法通常利用结构的动力学响应（如位移响应，振动频率及波速等）与材料特性之间的复杂关系。通过一个数学模型来表示这种关系时，称为前向问题。这种前向问题可以由解析或数值的方法来解决。继而，如果拥有一系列精确实验测量的结构响应数据，结合大量的前向计算，则复合材料的材料特性可以通过正确构建的反演模型来辨识。目前较有前景的智能反演算法有神经网络（neural network: NN），遗传算法（genetic algorithm: GA）和模糊逻辑（fuzzy logic: FL）算法等。本文首先采用勒让德多项式级数方法研究了各向异性结构的导波特性，得到了结构的频散曲线，解决了前向计算问题。然后基于结构频散的多模态导波群速度，分别采用神经网络算法和遗传算法两种算法建立反演模型，通过数值模拟反演了正交各向异性板和完全各向异性板的弹性常数，并总结了这两种方法的优缺点。神经网络反演模型方面，首先将前向理论计算得到的超声波信号进行预处理，提取信号的特征信息(本文提取的是在不同频率点下前几个低阶导波模态的群速度)，以获取神经网络训练样本，接着设计合适的网络模型，将训练样本送入网络中进行训练和学习，确定网络参数，最后将模拟波形作为输入，送入已经训练好的网络中，反演出材料的弹性常数。对于导波和遗传算法相结合，提取的仍然是在不同频率点下前向理论计算的前几个低阶导波模态的群速度，然后设计合适的程序，在各向异性板弹性常数可能的变化范围内按照一定规则逐步搜寻、优化某一个误差函数，直至该误差函数取得最优解，那么当该误差函数取得最优解时所对应的弹性常数即为该各向异性板的弹性常数。