结构振动数据从数据类型上看是高维的时序数据,而时序数据并非独立同分布的。在结构振动数据的异常点检测上看,所利用的算法并未充分利用时序数据的特点;在特征提取方面,利用主成份提取在结果上并不具有可解释性;最后,利用传统的机器学习算法进行损伤识别一是在识别精度上不如深度学习,二是有的模型容易造成过拟合。本文以健康监测传感器感知获取的结构动静力响应信息为基础,开展基于数据驱动的结构损伤识别方法研究是计算机科学与土木工程学科交叉领域的研究热点。本文以信息论、机器学习和深度神经网络等人工智能理论方法为基础,针对结构振动信号高维度时序相关特性,提出了基于动态阈值的异常点处理、融合过滤式监测数据特征选择和基于双向循环神经网络的结构损伤识别技术体系及其关键算法,为结构健康监测数据分析领域研究提供新的研究思路和方法,本文主要研究内容如下:(1)基于动态阈值的结构振动数据异常点处理算法研究。结合统计学在理论上的坚实性,设计了以中心极限定理为理论核心的动态阈值生成,并以此确定异常点。在确定了异常点之后,再利用拉格朗日插值法对异常值进行填补。最后,针对插值法中出现的龙格现象给出了一个解决方式。(2)基于信息增益率的过滤式监测数据特征选择方法研究。面向结构健康监测数据高维度特性,设计了以信息增益率作为评价指标的监测数据过滤式特征选择方法。针对信息熵不适用于连续型数据问题,通过借鉴C4.5对ID3算法的改进方式,提出面向监测时序数据离散化预处理的解决方案,以离散化处理后监测数据作为信息增益率计算输入,并根据阈值进行监测传感器对应数据的特征选择。(3)基于Bi-Directional LSTM的结构损伤识别算法研究。结合Bi-Directional LSTM在时序数据方面拟合的优越性,构建基于结构监测数据的Bi-Directional LSTM损伤识别模型,同时深入分析了该模型的设计思想、训练优化以及构建实现等相关内容,运用了 Dropout,Batch Normalization,学习率衰减等技术来解决训练过程中可能出现的过拟合,梯度消失,loss函数值震荡等问题。(4)为了验证本文提出的基于异常点检测、特征选择以及损伤识别的结构损伤识别方案,本文以Bookshelf和Spring Beam为验证数据集,以混淆矩阵,ROC,AUC为评价指标进行对比实验。①通过和One-Class SVM以及SVM算法作对比,验证了基于信息增益率的监测数据特征选择优于另两个模型②通过和PCA以及方差选择作对比,验证了基于动态阈值的异常点检测在结构损伤识别中优于另两个模型③Bi-Directional LSTM在桥梁结构损伤识别效果良好,并和具有代表性的SVM、CART、DNN和LSTM作对比,发现Bi-Directional LSTM在效果最好。