基于数据驱动的频域载荷识别技术在现代工程设计,可靠性试验,振动控制等方面具有广泛的应用范围。但在载荷识别过程中往往存在着不适定问题导致识别精度下降,而神经网络可以很好地缓解不适定问题,但是基于神经网络的载荷识别方法存在模型训练时间长,效率低,精度不高的问题。根据传递函数在频域的连续性,本文提出利用迁移学习,提高目标域的神经网络载荷识别模型的训练效率和识别精度,主要研究内容包括:（1）针对基于神经网络的载荷识别方法在每个频率下随机选择模型参数初值、独立训练模型,导致模型训练时间长、精度低的问题,利用传递函数在大部分相邻频率间相似这一特性,不同频率的神经网络模型网络结构及目标函数相同的特点引入模型迁移学习,提出了一种基于神经网络和模型迁移学习的频域载荷识别方法。首先,选取初始频率点的历史数据对神经网络模型进行训练;其次,将该频率下的神经网络的模型参数迁移到相邻的目标频域的神经网络中作为网络权值的初值;然后利用目标频率的历史数据对神经网络进行微调训练,从而得到目标频率的频域载荷识别模型;最后,将该频率的训练好的神经网络的模型参数迁移到下一个相邻频率的模型,循环该过程直到建立所有频率点的神经网络模型。在圆柱壳实验数据集上的识别结果表明,该方法有较好的网络权值初值、能有效减少训练时间,且在更少测点的情况下比不使用迁移学习的神经网络方法具有更高的识别精度,更好的鲁棒性。（2）针对使用模型迁移学习进行频域载荷识别时、相邻频率数据的相似度低、模型迁移顺序如何选择的问题,提出了一种利用MMD距离以及求解对应的旅行售货商问题模型（Maximum Mean Discrepancy-Traveling Salesman Problem,MMD-TSP）的迁移源域选择方法。首先,利用载荷和响应之间的关系建立神经网络载荷识别模型;然后,利用MMD距离度量不同频率下样本数据间的差异,得到不同频率间MMD距离矩阵,并通过遗传算法求解访问所有频率所需MMD距离总和的最小代价,即求解MMD距离矩阵的TSP问题;最后利用遗传算法得到迁移顺序进行频域载荷识别神经网络模型的迁移。在圆柱壳实验数据集上的识别实验结果表明,对比使用其它顺序迁移学习的神经网络,通过进行MMD-TSP迁移顺序的选择,可以在高振幅频率处得到更好的神经网络模型,有效提高模型精度。（3）为了进一步利用利用不同频率的历史数据中的信息、提取不同频率间数据的有用信息、借鉴深度适配网络以及多任务学习的原理,提出深度回归适应网络（Deep Regression Adaptation Networks,DRAN）与模型迁移结合的方法来进行载荷识别。DRAN可以适配不同频率的历史数据到一个网络中进行训练,进而提取出不同频率中的共同特征的信息,进而进一步提高模型泛化能力,提升模型精度。DRAN有两个数据输入,分别是作为源域的辅助频率数据和作为目标域的目标频率数据;在DRAN中有多个适配层以计算网络的适配误差,然后加入总误差训练网络,其中适配层的输出为辅助频率的预测载荷与实际载荷的误差。在圆柱壳实验数据集上的识别实验结果表明,仅使用模型迁移学习的方法相比,DRAN与模型迁移方法的结合可以进一步提升模型泛化能力,提高模型精度。