由于年代的久远和环境的影响，许多工程结构呈现出老化现象，个别的构件出现损伤甚至断裂，结构在损伤积聚下一旦发生溃塌，会对国家和人民的生命财产造成极大的损失。因此，对工程结构进行损伤识别具有重大的学术、经济和社会意义。本文利用小波变换对时间序列的时间和频率定位能力、小波函数具有的空间域缩放属性，以及神经网络具有的捕捉非确定性性质和复杂非线性的能力，结合模糊聚类技术，提出了结构非参数系统识别的动态时延模糊WNN模型，然后基于伪谱方法，提出了环境激励下大型复杂结构的损伤识别方法，并结合理论分析、数值模拟及试验方法，对结构损伤识别进行了系统和深入的研究。本文主要研究内容如下：1）基于非正交小波——Mexican hat小波，构造了动态系统函数逼近的动态时延WNN模型，该模型可以任意逼近瞬时非线性函数，并利用动态时延WNN模型在小波设计中的灵活性，添加了额外功能，如函数逼近中理想的平移参数调整。2）基于混沌理论的重构状态空间概念构造动态时延WNN的输入向量，该向量保留了时间序列数据的动态特性，可以识别结构系统的非物理参数（如结构的动态响应）。然后利用FNN方法确定动态时延WNN输入向量的最佳嵌入维数，以及修正Gram-Schmidt算法和AFPE准则确定WNN隐层节点的最佳数量，减小了WNN模型的规模，提高了模型的计算效率和识别精度。3）将具有空间域缩放属性的小波函数应用于动态时延WNN模型，它仅在输入时间序列的有限范围影响模型输出，这种属性减少了WNN节点之间的不良影响，提高了函数逼近的精确度，加快了WNN的训练收敛过程。4）基于NARMAX方法，将重构状态空间向量的模糊聚类与非正交WNN相结合，构造了结构非参数系统识别的动态时延模糊WNN模型。该模型可有效而精确地捕捉时间序列传感器数据的动态特征，并可克服传统WNN模型在处理存在局部不准确的训练数据时，由于相同的空间域缩放属性易导致的较大局部输出误差问题。5）采用自适应LM-LS混合学习算法训练动态时延模糊WNN模型，训练过程为两步迭代法，首先采用LS算法确定模型的线性参数，然后采用LM算法调整模型的非线性参数。该算法避免了Gauss-Newton算法的二阶微分问题，克服了最速下降算法的数值不稳定问题，并可显著提高WNN模型的训练收敛速度。6）小波在动态时延模糊WNN模型中应用于两个方面：○1采用离散小波包变换（DWPT）技术对传感器数据去噪，加快了结构系统识别模型的训练收敛速度，并明显提高了模型的识别精度。○2将小波函数作为神经网络的激活函数，结合模糊聚类技术构造模糊WNN模型，该模型可以有效而精确地捕捉时间序列传感器数据的动态特征。7）基于结构非参数系统识别的动态时延模糊WNN模型、以及伪谱方法，提出了环境激励下大型复杂结构的损伤识别方法。该方法的识别结果为选定子结构内的结构局部损伤，通过选定一系列的子结构可识别出结构的所有损伤，具有结构全局和局部损伤识别能力；损伤指标以不同频段的形式感知损伤，包含了丰富的损伤信息；不需对损伤指标凭经验设定阀值判断结构是否发生损伤，只要损伤指标大于零，就可确定结构发生了损伤，且具有很高的损伤灵敏度；外部动态荷载只是用来对结构进行充分激励，而不需对荷载谱进行量测，因此可对环境激励下的工程结构进行损伤识别，具有较高的工程适应性。