传感器优化布置的核心内容是将有限数目的传感器布置于结构的最佳位置,进而达到测试收集的信息数据更全面、识别的模态参数更准确的目的。本文针对基于有效独立法的传感器优化布置方法中,只考虑了布设测点对目标模态向量之间的线性贡献度,忽略了测点处的能量贡献度,进而导致该方法的抗噪性不足的问题,提出了一种基于有效独立-熵能融合算法（Effective Independence-Entropy Energy Fusion Method）的传感器优化布置方法。该方法在保证模态之间维持线性无关的前提下,不仅能使得测点布设于较大的振动能量处,还可获得更多的模态信息量。本文的主要研究内容如下:1、针对有效独立法抗噪性不足的问题,提出了一种基于有效独立-熵能融合算法的传感器优化布置方法。该方法将节点信息熵与节点模态应变能系数进行融合,对有效独立分量进行二次修正。结合框架模型进行数值模拟,一方面将本文的方法与有效独立法以及有效独立-改进模态应变能法进行对比,采用了五种评价准则对三种方法的优化布置结果进行评价,结果表明有效独立-熵能融合算法优于另外两种算法。另一方面,通随着添加的噪声强度不断增加,有效独立-熵能融合算法的五项评价指标均能保持稳定,且表征抗噪能力的模态条件数也基本保持不变,说明本文方法抗噪性能较好。2、模态数目与传感器数目的确定影响着传感器优化布置的结果,文中提出了一种通过协方差矩阵的信息增量矩阵确定目标模态数目的方法,与基于Fisher信息矩阵的迹以及2-范数两种方法进行对比,并结合MAC准则进一步确定传感器数目。结果表明采用MAC对角元素的最大值作为评价指标时,基于协方差矩阵的信息增量矩阵确定的模态数目做传感器优化布置结果最优,表明本文提出的模态数目确定方法可行。3、文中结合深度学习与有限元模型修正提出了一种基于深度残差网络的有限元模型修正方法,该方法将节点加速度数据进行傅里叶变换（FFT）生成频谱后,进一步将频谱的数据转化为灰度图作为输入特征图,使用基于MATLAB环境下的深度残差网络（Res Net）进行训练。将修正结果与基于遗传算法的有限元模型修正方法做对比,结果表明采用深度残差网络进行有限元模型修正的误差要小于遗传算法,验证了该方法的可行性。4、试验验证分析。对实体的框架结构拾取节点加速度信号并采用增强频域分解法（EFDD）对框架结构进行模态分析,设立了基于不同方法、不同模态数目以及不同传感器数目的试验方案,结合5种评价准则对本文提出方法进行综合验证。结论表明:框架结构使用不同传感器优化布置方法确定优化位置时,采用前40阶模态以及12个传感器的有效独立-熵能融合算法对模态参数的识别效果最好。同时也验证了本文提出的模态数目确立方法以及改进有效独立法的可行性。