随着公路货运需求的不断提高,我国公路载货汽车吨位数与公路总里程不断增长,带来了普遍且严重的车辆超载问题。车辆超载不仅会对桥梁结构造成不可逆转的损伤,加速桥梁性能退化,甚至可能直接造成桥梁垮塌,严重影响我国人民的出行安全。如今车辆超载已成为导致桥梁失效最主要的人为因素,是影响我国公路桥梁安全的重大隐患。因此,及时有效地检测通行车辆的荷载信息并对超载车辆进行合理有效的管控对公路桥梁安全具有重要意义。桥梁动态称重（BWIM）技术可以在无需中断交通的前提下可快速识别通行车辆的重量信息,是我国超载车辆识别与称重的重要手段之一。然而,BWIM技术中受到广泛使用的基于桥梁影响线的Moses算法主要考虑单车过桥工况下的车重识别,存在多车工况下车重识别误差过大的瓶颈问题。一些改进的BWIM方法主要通过标定桥梁影响面信息来考虑桥梁横桥向多车问题,但仍然存在着准确的影响面信息标定实现难度大、技术要求高等难题。对此,本文拟采用深度学习方法开发基于卷积神经网络的多车桥梁动态称重算法以实现在桥梁横桥向多车工况下对车辆的轴重和总重信息的快速、高精度识别,主要内容有:（1）对基于Moses算法的经典桥梁动态称重方法及其衍生算法、基于桥梁响应面积直接求解车辆总重的应变面积法、基于神经网络技术的新型BWIM方法及其原理进行了详细分析,并就其各自的优缺点进行了讨论。（2）提出了基于卷积神经网络的多车BWIM算法。通过车桥耦合系统采集了桥梁在不同速度、数量、加载位置以及重量的车辆加载下的梁底应变信号。设计并实现了适用于多车BWIM问题的卷积神经网络模型。利用卷积神经网络模型“学习”采集到的应变信号和车辆轴重之间的对应规律,并根据损失大小对卷积神经网络的结构进行了优化。此外,还对所开发的基于卷积神经网络的BWIM算法对单辆车与多辆车以不同横向位置和不同速度过桥时的轴重识别精度进行了对比分析。（3）充分利用上部分所训练好的卷积神经网络模型中所包含的桥梁响应与车辆轴重之间的对应关系,采用迁移学习技术对所提出的BWIM算法进行了改进以降低该算法在应用于其他桥梁时所需的训练数据量。并对比分析了基于迁移学习技术改进的BWIM算法与原算法在不同车辆横向加载位置、不同车辆类型、不同车辆速度等工况下的车重识别的稳定性与识别精度的变化规律。