现阶段我国土木工程领域的主要挑战由早期的建设需求向管养、检测和维修需求转变。土木工程结构在其生命期内,不可避免地会出现损伤,当损伤累计到一定程度时,就会对结构的安全性和耐久性构成威胁,甚至发生工程事故,造成财产损失和人员伤亡。因此,对结构在建设和运营期间进行损伤识别的研究,具有重要的理论价值和现实意义。深度学习理论是近年来人工智能领域重要的研究成果,它具有突出的特征学习能力、自适应能力和泛化能力,尤其在大数据处理和模式识别等方面具有得天独厚的优势。因此本论文基于深度学习理论,开展对结构损伤识别的卷积深度网络模型及对抗策略理论的研究。主要研究内容如下:（1）本文介绍了结构损伤识别的研究背景及意义,归纳总结了传统的结构损伤识别方法。基于深度学习理论,提出了两种可靠且高效的结构损伤识别方法:其一是卷积深度网络模型（Convolutional Neural Network,CNN）在结构损伤识别中的应用;其二是深度卷积生成对抗网络模型（Deep Convolutional Generative Adversarial Networks,DCGAN）在结构损伤识别中的应用。（2）结构损伤识别的卷积深度网络模型研究。本文从CNN网络的理论出发,介绍了CNN网络的基本原理和结构,并进一步阐述了CNN网络在结构损伤识别中的应用原理,提出了用于结构损伤识别的卷积深度网络模型基本框架,最后结合试验验证了该网络模型在结构损伤识别中的可行性,证明了CNN网络模型是一种高效的损伤识别方法。（3）结构参数随机性对卷积深度网络模型损伤识别影响的研究。在实际工程中,结构参数比如结构质量、弹性模量和阻尼比等具有随机性,会对CNN网络的损伤识别产生不利影响。研究结果表明,结构参数的随机性会降低CNN网络的识别精度,并且这种影响是不可忽略的。（4）噪声的空间非均匀性对卷积深度网络模型损伤识别影响的研究。在实际工程中,噪声的空间非均匀性会对CNN网络的损伤识别产生一定影响,研究结果表明,噪声在空间上越不均匀,CNN网络识别精度的准确性越低、稳定性越差。（5）结构损伤识别的对抗策略理论研究。本文提出了一种损伤识别方法,此方法利用DCGAN网络的无监督学习能力,来实现自动提取给定条件下结构加速度响应的特征信息,并依此判别结构是否损伤。最后结合试验证明了DCGAN网络是一种非常高效的识别方法,具有在实际工程应用中推广的潜力。