矿用带式输送机长期处于高负荷运转,载荷中一旦混杂煤矸石、金属锚杆等坚硬杂质则极易划伤和刺入皮带,导致纵向撕裂,从而造成巨大的经济损失,甚至发生人员伤亡,因此,对输送带损伤进行无损检测是一个重要的研究领域。但是由于矿下环境复杂,能见度低,噪声大,现有的输送带损伤检测方法一直具有很大的环境局限性。基于机器学习的视听融合检测方法通过将输送带的可见光图像与声音信号分别进行特征提取后融合,使用支持向量机（Support Vector Machine,SVM）对融合后特征进行分类,通过视听信号互补,在一定程度上解决了矿下环境复杂的问题,实现了输送带损伤的无损检测。然而,由于技术的制约,该方法只能对输送带已发生的损伤进行检测,无法做到提前预测,而只有在输送带真正发生故障之前提前预测,才能真正做到将事故风险降至最低,因此,损伤预测成为了输送带安全维护任务新的研究方向。针对该技术难题,同时面向因传统机器学习模型性能限制而造成检测精度不足的问题,本文基于深度学习与多信号融合理论,开展了输送带损伤双模态信号表达机理研究,结合温度与声音两种信号具有连续变化性的特点,提出了输送带损伤多信号融合诊断预测方法,主要研究工作内容如下:（1）对输送带表面红外温度矩阵与声音信号进行处理,通过Log-Mel特征提取、基于局部均值的图像缩放以及尺度归一化等将两种信号转化为可进行多模态融合计算的数据模型。（2）研究了输送带损伤多信号融合诊断预测深度学习算法,采用残差网络、Leaky＿Re LU激活函数、空间金字塔池化等技术结构构建双模态特征提取神经网络模型,将两种信号提取为三组不同尺度的特征图;提出多尺度特征交叉融合算法,将双模态特征图融合为抽象性更好、语义更完善的特征;使用全局平均池化结构输出置信向量,从而减少了模型的计算量,通过长短期记忆网络结构对该向量进行预测,最后采用Softmax函数计算出“正常”、“正在磨损”、“发生纵向撕裂”三种状态类型的概率。（3）根据真实煤矿场景搭建了输送带实验硬件平台,设计并使用双通道传感器系统样机采集了多组输送带温度与声音信号作为实验数据集,软件平台采用基于Python编译环境的Open CV库与Tensor Flow框架构建。对输送带损伤多信号融合诊断预测方法进行多组测试实验分析,通过对比实验获得温度与声音信号比重为3:7时达到局部最优权重配比,此时该方法对三种状态的平均诊断精度可达到96.7%;与基于机器学习的视听融合检测方法进行实验对比,本文方法对“正在磨损”与“发生纵向撕裂”两种损伤状态的诊断精度较其分别提高了6.0%与6.3%;最后进行了多组步长条件下的损伤预测实验,得出结论为本文方法的预测功能对输送带10秒后状态预测准确率达93.5%。实验验证了输送带损伤多信号融合诊断预测方法的可行性与实用性,该方法通过温度与声音双模态融合彻底克服了矿下环境能见度差的局限,通过深度学习思想解决了基于传统机器学习模型的方法检测精度不足的问题,并且不再仅限于对输送带损伤进行实时检测,而是实现了对输送带不同损伤状态的提前预测,为进一步的输送带损伤感知预警方法研究奠定了基础,也为煤矿运输系统安全维护领域研究提供了新的思路。