结构健康监测是获取结构健康状态的重要技术,在重大工程建设中得到广泛应用。如何从结构健康监测系统产生的海量数据中获得结构的损伤信息,准确地评估结构工作状态,对结构安全运营具有重要的意义。近年来,基于数据驱动的结构损伤识别成为结构健康监测领域的研究热点,这为深度学习在该领域的应用研究提供了动力。本文首先利用压缩感知信号重建理论对结构健康监测数据进行处理,然后采用深度学习方法建立结构动力行为替代模型,并利用该模型进行结构的损伤识别。具体内容包括:1.针对监测数据采样率不足、混入噪声及数据丢失的问题,本文基于压缩感知信号重建理论分别提出了三种数据处理方法。在监测数据的随机欠采和稀疏重建方面,提出一种基于p范数的稀疏正则重建方法,并通过迭代更新正则项权重参数来缓解参数难以选择的问题。实际测得本文方法重建某一质量-弹簧-阻尼系统位移的信噪比高出1方法4.88d B以上,取得优于其它方法的良好效果。其次,本文提出一种基于低秩重建的结构响应数据去噪方法,同时给出一种以监测信号全变分为稀疏项的一般监测数据去噪方法。实测在噪声强度为80%时,低秩重建方法对噪声信号的信噪比提升高达449.5%,两种方法的去噪效果均优于小波去噪方法。最后,本文提出一种基于压缩感知理论的数据丢失重构方法,重构了绍兴轻纺城体育中心应力监测丢失的数据,重构信噪比为36.36d B以上。2.基于深度学习方法建立了结构的动力响应替代模型。通过LSTM（长短期记忆）神经网络建立结构单一测点的动力响应时序预测模型。该模型在平稳和非平稳荷载下的结构动力行为预测中均较为准确,预测的峰值均方误差小于0.007。基于编码Conv LSTM神经网络建立了结构多测点协同的动力响应时空预测模型,该模型同样具有较高的预测精度。在输入噪声强度高达30%的情况下,预测的均方误差也仅为6.24×10-5。本文建立的结构动力响应替代模型适用于框架、柱面网壳和球面网壳等不同类型的结构,以及周期性荷载和地震作用等不同类型的动力荷载及作用。3.采用结构动力响应替代模型识别结构损伤。首先针对监测数据存在的噪声和数据缺失问题,应用本文提出的数据处理方法来净化和增强原有的训练数据集。然后,利用LSTM作为替代模型来获取结构的状态特征,再对状态特征进行Softmax回归分类,实现结构损伤的识别。最后,采用本文方法对IASC-ASCE Benchmark结构和体育场看台钢结构进行损伤识别,融入数据处理后的LSTM方法提高了1.3%的识别准确率。4.提出一种图卷积和LSTM融合网络的结构损伤识别方法。首先,构建一个无向无权重图来表示结构的监测数据。然后,将两层的图卷积层融入LSTM网络结构,实现结构特征提取与结构损伤识别。最后,通过IASC-ASCE Benchmark结构和体育场看台钢结构损伤识别的验证,表明该方法能够实现基于不规则多测点监测数据协同分析的结构损伤识别,且准确率高于1DCNN、2DCNN、LSTM及深度残差网络等深度学习方法。在部分测点的传感器损坏的情况下,该方法仍能基于剩余测点数据完成结构的损伤识别,表明该方法具有较好的适用性。