许多大型结构,如桥梁、高层建筑等,无法施加激励或者施加激励的成本太高,所以只能采用响应数据来进行模态参数识别。因此,发展了多种环境激励下的模态参数识别方法。但多数方法均基于激励平稳性假设,这在工程实际中往往很难满足。因而研究非平稳环境激励下的模态参数识别方法非常必要。本文研究了标准的自然激励技术(NExT)和特征系统实现算法(ERA),并将它们应用于白噪声环境激励下的系统的模态参数识别。本文着重讨论了Hankel矩阵中行延迟和列延迟以及数据长度对识别结果的影响,结果表明用很短的数据,甚至远短于基频周期就可以比较好的识别出模态参数。还讨论了单点激励和多点激励对识别结果的影响,结果发现单点激励不易获得所有的模态,但是多点激励就能很好地识别出各阶模态。在实际情况下,数据中难免含有噪声,所以本文研究了小波阈值去噪方法,发现该方法能够很好的去除白噪声。改进了中值滤波去噪法,并用于去除尖脉冲噪声,结果表明该方法对尖脉冲噪声能够起到很好的去除效果。作为本文的核心内容,本文将NExT的应用范围从理想白噪声扩展到了MA(q)模型,扩展了NExT的应用范围;然后,假设非平稳激励由d-1阶多项式趋势项与MA(q)模型之和构成,将其d阶差分后变成MA(q+d)阶模型,为了减少差分计算过程中的误差,将差分运算从时域转换到频域内进行;最后,用NExT和ERA法识别系统的模态参数。用本文提出的方法对一个三自由度系统和龙潭河大桥进行模态参数识别,在非平稳激励下,识别的结果与理论值和有限元计算值一致,由此可知,用本文提出的方法能够在非平稳激励下,只根据响应较为准确地识别系统的模态参数。本文还初步研究了平稳度和识别复杂度,提出了用Shannon熵来表示平稳度的方法,并且第一次提出了识别复杂度的定义方法,研究了不同的平稳度和识别复杂度对识别结果的影响。结果发现,平稳度越高,即信号越平稳识别的结果越准确;识别复杂度越低,识别的结果越准确。这说明了本文定义的平稳度和识别复杂度是比较合理的。