El monitoreo de la salud estructural basado en ondas Lamb se emplea ampliamente para detectar y localizar daños en placas compuestas; sin embargo, la interpretación de las señales de ondas Lamb sigue siendo desafiante debido a sus características dispersivas. Aunque las redes neuronales convolucionales (CNN) demuestran una capacidad significativa para el reconocimiento de patrones dentro de estas señales en comparación con otros modelos de aprendizaje automático, las CNN a menudo encuentran dificultades para capturar todos los patrones subyacentes cuando la gravedad del daño varía. Para abordar este problema, proponemos una red neuronal convolucional unidimensional multiscale (MS-1D-CNN) para evaluar la gravedad del daño y localizar daños en placas laminadas. El MS-1D-CNN es capaz de aprender características de bajo y alto nivel, lo que le permite distinguir entre daños leves y graves. El conjunto de datos se obtuvo experimentalmente a través de una matriz dispersa de cuatro titanatos de circonato de plomo, con señales de doce trayectorias fusionadas y submuestreadas antes de ser ingresadas al modelo. La eficacia del modelo se evaluó utilizando métricas de precisión, recall y puntuación F1 para la identificación de la gravedad, junto con el error cuadrático medio, el error absoluto medio y para la localización de daños. Los resultados experimentales indicaron que el MS-1D-CNN propuesto superó a los modelos de máquina de vectores de soporte y redes neuronales artificiales, logrando una mayor precisión tanto en la identificación de la gravedad del daño como en la localización de daños con un error mínimo.