Debido a su excelente relación resistencia-peso, los laminados compuestos están siendo gradualmente sustituidos por materiales metálicos tradicionales en una variedad de industrias. Sin embargo, debido a su naturaleza ortotrópica, los laminados compuestos son propensos a varios tipos diferentes de daños, siendo la delaminación el más prevalente y serio. Por lo tanto, los métodos basados en aprendizaje profundo que utilizan datos de sensores para realizar un monitoreo de salud autónomo han despertado mucho interés en el monitoreo de salud estructural (SHM). Sin embargo, la aplicación directa de estos modelos está restringida por la falta de datos de entrenamiento, lo que requiere el uso de aprendizaje por transferencia. Los modelos de aprendizaje por transferencia comúnmente utilizados son computacionalmente costosos; por lo tanto, la presente investigación propone modelos de aprendizaje por transferencia livianos (LTL) para el SHM de compuestos. El uso de un modelo LTL basado en EfficientNet solo requiere el ajuste fino de los datos de vibración objetivo en lugar de entrenar desde cero. Se utilizan datos de vibración transformados por wavelet de varias clases de laminados compuestos para confirmar la efectividad del método propuesto. Además, se aplican diversas medidas de evaluación para evaluar el rendimiento del modelo en conjuntos de datos de prueba no vistos. Los resultados de la validación muestran que el modelo LTL basado en EfficientNet preentrenado podría realizar con éxito el SHM de laminados compuestos, logrando altos valores en cuanto a precisión, exactitud, recuperación y puntuación F1.