风力机叶片在长期运行过程中易因疲劳累积引发损伤问题，其所用的玻璃纤维环氧树脂(Glass Fiber Reinforced Polymer

GFRP)复合材料的损伤将影响风力机叶片的寿命，甚至使其发生断裂。针对上述问题，本文利用声发射采集设备，采集了风力机叶片材料在三点弯曲实验中的声发射信号，通过扫描电子显微镜(Scanning Electron Microscope

SEM)拍下试件断口的形貌特征，观察材料损伤的微观变化。通过声发射信号特征提取和材料微观变化两者之间的印证，将失效过程划分为微裂纹阶段、局部损伤阶段和材料失效阶段。根据风力机叶片故障诊断分析对深度学习算法实时性和性能的双重要求，提出了DRC-CNN模型，用于实现材料不同损伤阶段的自动识别。研究结果表明，DRC-CNN模型对比于基线模型在精确度、召回率和F1-score三个关键指标上分别提升了17.4%、17.5%和15.4%。