复合材料结构被广泛用于飞机承力构件,然而复合材料的脆性以及在厚度方向表现出的低强度和断裂韧性使其对冲击损伤十分敏感。因此,准确评估和预测复合材料结构在低速冲击（Low velocity impact,LVI）下产生的损伤形式,以及低速冲击损伤对复合材料结构力学性能的影响至关重要。本文采用实验和有限元模拟相结合的方法深入探究了复合材料层压板低速冲击和加筋板多区域冲击损伤模态,以及冲击后压缩/剪切（Compression/Shear after impact,CAI/SAI）下的渐进损伤演化过程和失效机理,并搭建了等效冲击损伤模型和人工神经网络结构模型对复合材料层压板LVI响应和加筋板CAI屈曲模态以及承载性能进行预测。本文的主要研究内容包括以下几个方面:（1）通过实验和有限元模拟对复合材料层压板在不同冲击能量下的低速冲击和冲击后压缩响应进行了一系列的研究。通过低速冲击试验,探索了不同冲击能量引起的损伤状态,并采用超声相控阵C扫描（C-scan）对复合材料层压板的损伤形态进行了表征,以量化产生的损伤程度。对含不同冲击损伤的复合材料层压板进行冲击后压缩实验,并结合三维数字图像相关（Three-dimension digital image correlation,3D-DIC）技术分析了复合材料层压板整个实验过程中全场位移和应变分布。探索提出了一种将层间分层损伤和层内基体、纤维损伤产生、演化及相互作用等问题引入到三维损伤模型当中的有限元模拟方法,以揭示复合材料层压板复杂的损伤和破坏机理。复合材料层压板中拉伸和压缩纤维损伤的起始点判据利用最大应变准则来确定;基体损伤的萌生和演化采用Puck失效判据;采用基于牵引分离模型的cohesive单元模拟复合材料层压板层间分层损伤;采用二次应力判据确定复合载荷下界面分层损伤的起裂,同时采用Power-law准则来确定分层损伤演化规律。讨论了不同冲击能量下复合材料层压板冲击损伤模式、分层形态及其对冲击后压缩损伤扩展和破坏失效模式的影响,并通过实验结果对模型的整体力学响应和损伤分布特征进行了验证。（2）开展了多区域冲击损伤对复合材料T形加筋板剪切性能及失效模式影响的实验和数值模拟研究。利用超声相控阵C扫描技术观察了各区域的低速冲击损伤形态和大小。3D-DIC技术和投影条纹形貌测量（Fringe projection profilometry,FPP）系统分别监测了加筋板剪切试验过程中全场位移分布和全场屈曲模态演化。建立了考虑多区域冲击、多损伤模态并存的有限元模型,以揭示复合材料加筋板多区域冲击损伤相互作用及复杂的损伤演化和破坏机理。同时,在有限元模型中引入渐进损伤和剪切非线性分析,并与试验结果对比讨论了多区域冲击下复合材料加筋板冲击损伤模式及其对冲击后剪切损伤扩展和破坏模式的影响。（3）基于建立的渐进损伤三维有限元模型,提出了一种快速、有效估算和预测复合材料层压板LVI损伤程度的人工神经网络（Artificial neural network,ANN）方法。充分考虑了对复合材料层压板LVI损伤影响较大的重要因素,采用Python进行二次开发建立了以冲击/材料因素（冲击能量、冲击位置、冲击锤尺寸、复合材料层压板厚度、铺层顺序等）为输入和冲击损伤预测（冲击损伤面积、凹坑深度和冲击贯穿程度）为输出的有限元模型集,结合充足的LVI数据构建了ANN训练集和测试集,选择了多种神经网络结构分别进行了训练、测试,使其能够在可接受的精度范围内预测不同输入变量配置下的冲击损伤面积、凹坑深度和冲击贯穿程度。讨论了差分演化算法的应用,根据神经网络模型的平均误差选择了训练结果最佳的ANN模型开展性能评估和泛化能力研究。与有限元结果对比分析表明,BP（Back Propagation）神经网络预测的冲击损伤面积和凹坑深度与测试集数据之间呈线性分布,相关系数分别为R~2=0.98639,R~2=0.99739;平均误差分别为1.48%和1.03%;用于预测层压板冲击贯穿程度的BP神经网络预测准确度高达99.41%。建立的两种神经网络模型具有很好的准确性,且效率较高。（4）在提出的ANN预测冲击损伤响应方法基础上,结合有限元模拟和超声C扫结果,提出并建立了基于唯象的等效冲击损伤模型。根据冲击区域不同程度的损伤,采用图像识别的方法,将整个复合材料层压板和加筋板进行了区域划分,并进行不同程度的材料刚度和强度参数折减。冲击凹坑变形等效为模型对应区域的单元节点偏移;冲击界面分层脱粘等效为界面孔洞,不设置任何单元。采用等效冲击损伤模型评估层压板和加筋板CAI的屈曲行为和强度,并与实验结果进行对比,结果显示层压板等效冲击损伤模型预测的极限载荷与实验和数值模拟结果相差均在2%以内,加筋板等效冲击损伤模型获得的屈曲载荷与实验仅相差0.32%,极限载荷相差2.32%。证实了建立的等效冲击损伤模型在预测复合材料层压板和加筋板多区域同时CAI屈曲模态和强度方面的准确性和有效性。结合等效冲击损伤模型,提出了一种用于预测复合材料加筋板CAI屈曲模态和承载性能的ANN方法。在神经网络训练过程中,分别选择欠完备自编码器和稀疏自编码器对输入参数集进行特征提取、降维处理;将降维特征参数分别作为处理回归问题（预测屈曲和极限载荷）和分类问题（预测屈曲模态）的BP神经网络的初始输入参数进行训练、验证、测试。BP神经网络预测的CAI屈曲载荷和极限载荷与测试集数据之间呈线性分布,相关系数分别为R~2=0.99841,R~2=0.99908;平均误差分别为1.23%和1.01%。预测CAI屈曲模态的BP神经网络准确度高达99.63%。证明了构建的BP神经网络模型能够准确预测加筋板CAI屈曲载荷和极限载荷,满足CAI屈曲模态预测精度。