结构地震下响应的预测与评估,是抗震研究的先导与前置工作,很大程度上影响了抗震研究的准确性。研究如何快速准确地实现地震下响应计算,对于实现可靠的抗震研究、抗震设计,有效减轻地震灾害、保障人民财产安全与社会经济可持续发展具有重要的现实意义。基于此,本文在已有的结构地震下非线性响应计算的研究基础上,分别从动力方程的逐步积分求解以及恢复力模型识别两个方面开展了相关研究,主要工作和成果如下:（1）在动力方程求解方面,介绍了常用逐步积分算法的算法机理,并在其中精细积分法的基础上,提出了HHT-α耦合的精细积分方法（HHT-PIM）,通过引入HHT-α法对于动力方程与加速度项的两项假设,实现了对于传统精细积分法状态方程及指数矩阵的简化与降阶。通过理论以及算例对于HHT-α耦合的精细积分方法的算法特性进行分析,在稳定性方面为条件稳定算法但是稳定条件易于满足,在精度方面兼有精细积分法计算精度较高以及HHT-α法算法阻尼可调节高频响应可控的特点,在计算效率方面通过矩阵降阶实现了在保持原有算法时间复杂度的基础上大幅降低了计算频次。（2）在恢复力模型识别方面,提出了八路径滞回模型神经网络识别理论及相应的完备输入变量组,能够覆盖并识别结构或构件滞回模型中的线性与非线性工况,实现对滞回路径的单值映射。基于八路径滞回模型神经网络识别理论提出了11输入变量恢复力识别神经网络方法,通过输入变量组[Δη_n,ξ_n,x_n,δ,x_history+,x_{his tory-},R_{his tory+},R_{his tory-},E_n-1,x_n-1,R_n-1]能够实现对于单输出变量恢复力[R_n]的有效预测,并且以[11-25-25-1]的双隐含层神经网络架构实现了算法开发,在地震动与拟静力加载两种工况的样本训练下恢复力预测结果与OPENSEES模拟结果吻合良好。（3）提出了基于动力方程求解模块与恢复力识别模块的地震下结构非线性响应求解的一般流程,并以本文的HHT-PIM法作为动力方程求解模块,以11输入变量的神经网络方法作为恢复力识别模块,提出了本文的响应计算方法及其子结构方法,并分别使用SDOF与MDOF算例对于本文方法及其子结构方法的算法精度与可行性进行了验证,算例表明本文方法及其子结构方法在SDOF与MDOF工况下均具有较好的精度,可以较好地拟合结构非线性地震动响应,存在的误差主要来自神经网络输入变量组的输入误差。本文提出的基于变量神经网络方法的恢复力识别模块的结构非线性响应求解方法及其子结构方法能够获取结构真实的抗震滞回性态,避免了传统数值法中需要事先假定构件或材料的恢复力本构模型,从而防止因为数值建模采用的恢复力模型选取与实际工况不匹配引起的响应计算结果失真的风险,有效提高结构地震响应计算精度,同时对于恢复力本构模型未知或者无法用函数关系显式表达的结构或构件,也可以有效地实现响应求解,具有较高的使用价值。