随着我国基础设施建设的不断完善，大跨桥梁数量愈来愈多，大跨桥梁的结构健康监测已逐渐成为当前研究的热点问题之一。为了对桥梁的力学结构状况进行实时监测，大跨桥梁各关键部位布设了大量种类各异的传感器。在桥梁的运营过程中这些传感器将会采集海量的监测数据。如何在确保监测数据质量的前提下对桥梁运营状态进行有效分析从而得到关键指标的趋势变化状态，是桥梁工程研究的一个重要课题。本文依托杭州之江大桥结构健康监测项目对大跨桥梁结构监测数据分析与处理算法进行研究。　　本文的主要工作和成果如下：　　(1)针对桥梁监测数据中噪声会对后续数据分析造成较大影响的问题，本文采用小波阈值降噪算法对桥梁结构监测数据进行降噪处理。首先，提出一种与小波分解层数紧密相关的阈值函数。其次，对实际监测数据进行统计建模，并依托统计模型根据贝叶斯最大后验概率理论对阈值收缩函数进行改进。监测数据降噪处理结果分析表明了改进的小波阈值降噪算法能有效抑制噪声，提高监测数据质量，为后续趋势分析与预测提供数据支持。　　(2)针对桥梁监测数据的非平稳时间序列特征，建立了监测数据时间序列的ARIMA模型，并采用该模型对实际桥梁应变监测数据进行趋势预测分析。分析结果表明，ARIMA模型预测算法能较为有效的实现监测数据的短期预测，对监测数据中的线性信息解析力较好，基本能使桥梁应变监测数据的预测误差保持在10％以内。　　(3)针对BP神经网络能很好的解析监测数据中非线性信息的特点，提出利用BP神经网络对ARIMA模型的残差进行修正的方法。建立了一种基于ARIMA-BP神经网络的桥梁监测数据预测模型，并利用该模型对监测数据进行趋势变化预测。预测分析结果表明ARIMA-BP神经网络模型从模糊子集贴近度、均方误差(MSE)以及绝对平均误差(MAE)三个指标上均优于单一预测模型，进一步提高了监测数据短期趋势预测的准确度。　　(4)以杭州之江大桥结构监测系统为研究对象，分别对结构应变、挠度、加速度以及结构温度四类监测数据进行降噪处理，处理结果验证了本文降噪算法在工程中的实用性。并通过分析得出结构应变与加速度是最易受到外部噪声干扰的两类数据。同时，采用ARIMA模型及ARIMA-BP神经网络模型对之江大桥结构应变、挠度监测数据进行趋势预测分析。分析结果表明，采用时间序列分析方法能有效的实现对桥梁实际结构状态的短期预测，对桥梁结构健康状态的评估有现实意义。