由于设计、施工、环境腐蚀、自然灾害等原因，结构会发生开裂、老化及破损等现象。结构的损伤累积往往导致结构的重大安全事故，造成严重的人员伤亡及财产损失，因此，关于结构健康监测和损伤识别的相关研究得到了越来越广泛的关注。作为结构健康监测系统的核心，结构损伤准确探测有助于进行及时的损伤修复以及优化结构的使用方法，以阻止损伤的进一步累计，保障结构的安全性、完整性和耐久性。　　 采用神经网络进行振动法损伤检测，是近年来一个热门的研究课题。尽管基于神经网络的损伤识别法具有诸多优点，但仍存在一些影响其应用的因素。　　 (1)作为神经网络输入参数的不同损伤识别指标，对于损伤的相关性及敏感度不尽相同；　　 (2)模态不完整问题及数据误差也是影响损伤识别的重要因素；　　 (3)对于大型结构，单步识别法的样本数量庞大，无法保证损伤识别的效率及准确性。　　 针对上述问题，提出一个合理有效的损伤识别方法具有非常重要的工程及现实意义。本文的研究目标为针对单一参数对损伤的敏感度差、不同损伤识别指标对于损伤的敏感度差异性、模态不完整问题、数据误差的影响以及对于复杂结构的损伤识别范围的控制问题，提出了高效准确的损伤识别方法。围绕着上述研究目标，本文的具体研究内容包括：　　 首先，在对简单桁架结构的损伤识别中，选取少数低阶频率及个别测点模态振型的相关变化形式，经损伤敏感度比较后，构造出组合模态参数作为网络输入对结构损伤识别神经网络进行训练，识别了损伤位置及损伤程度，从而验证了组合参数对损伤位置及程度的敏感性，同时证明了在数据不完整及存在数据误差的情况下，网络仍具有良好的识别能力。　　 其次，对于大型复杂结构，训练样本多，训练时间长，致使该方法的适用性降低。在对简单桁架结构损伤识别的基础上，对多层框架则按照损伤层识别、损伤构件识别、损伤程度识别的顺序，采用分步法策略进行了损伤识别，并在上述三个阶段分别采用不同的模态参数组合形式作为损伤识别指标。从敏感性分析、网络收敛速度及识别正确率三个方面对识别指标进行了评价，为神经网络输入参数的选取和表达形式的确定提供了理论依据，同时证明了分步损伤识别法的有效性。　　 最后，考虑神经网络法在实际工程中应用的有效性和经济性，保证神经网络训练收敛快及收敛到整体最小也是需要研究的课题。本文将采用附加动量及自适应学习率相结合的改进算法对BP网络进行了性能优化，保证网络稳定性的同时提高收敛速度。