近年来结构健康监测技术在全球得到了快速发展和应用,我国在许多大型桥梁上安装了较大规模的健康监测系统。这些监测系统累积了海量的监测数据,然而大型桥梁的服役环境恶劣,其健康监测系统的大部分功能模块均于户外工作,难以避免地因为硬件、软件故障产生多种类型异常数据。大量的实桥监测数据分析表明,大型桥梁健康监测系统中存在较多的异常数据。这些异常数据随机分布于监测数据中,常导致监测系统的虚假预警,同时也严重影响了数据分析的效果和健康诊断准确性。如何有效诊断、识别异常数据并进行重构是亟待研究的科学问题。本文主要研究内容包括:（1）基于堆栈式自编码器深度神经网络的健康监测异常数据诊断方法。方法主要思想为模仿人类生物视觉信息获取和逻辑思考过程,将时间序列数据分段可视化为灰度图像,建模为图像分类问题,并构建深度神经网络对异常数据图像进行分类。基于随机选择的图像及其人工标记标签组成的有标签数据集,使用逐层贪婪训练方法对网络进行训练。利用某斜拉桥结构健康监测系统的全年加速度监测数据对方法可行性及神经网络分类准确性进行验证。（2）基于卷积神经网络的时域-频域信息融合异常数据诊断方法。将各传感器原始一维时序数据加窗分段,在时域和频域分别进行可视化。将图像堆栈构造时域-频域双通道图像,并根据通道图像特征进行人工标注,构建卷积神经网络,通过图像分类实现异常数据诊断。考虑监测数据不同异常类型数据样本比例失衡,也即样本数据具有强非平衡性,构造平衡数据和非平衡数据训练集,并考虑训练集尺寸即样本数量对异常数据诊断准确性的影响。采用某斜拉桥加速度监测数据进行验证,并与基于计算机视觉和深度神经网络的单信息源方法进行对比分析。（3）基于机器学习压缩感知的结构健康监测数据重构方法。将基于压缩感知的数据重构问题转化为标准的有监督机器学习问题。分别以基矩阵和压缩感知采样信号作为先验知识作为神经网络的输入和输出,将基系数矩阵嵌入为神经网络某层的参数,将传统压缩感知的目标函数设为神经网络的损失函数。将基系数进行l1范数正则化,通过任意通用的反向传播优化算法,对基系数进行优化求解。通过数值模拟算例和大跨度悬索桥的现场无线传感测试数据,验证了方法的数据重构能力,并与经典l1方法进行了对比。（4）基于群稀疏感知卷积神经网络的连续数据缺失重构方法。将数据重构问题转化为矩阵填充的优化问题,建立数据重构的群稀疏优化方程,并设计卷积神经网络架构实现方程求解。在卷积神经网络中建立优化方法的前馈过程,通过基于梯度的反向传播算法,以回归误差和群稀疏约束为目标函数进行卷积核权重更新,即基系数优化。从而实现连续缺失数据重构。分别采用数值模拟和实桥监测数据对方法的缺失数据重构能力进行验证,并与基于l1约束的卷积神经网络进行对比研究。