对重大结构进行结构健康监测成为现行趋势,损伤识别作为其关键步骤,具有较大的研究意义。测试的数据通常存在受噪音影响大、对损伤敏感性低、数据不完备等问题;另外,结构损伤分布具有稀疏性的特点,因此本文提出基于损伤稀疏性的附加虚拟质量损伤识别方法。通过附加虚拟质量方法构造虚拟结构的加速度响应,增加测试数据量和提高数据对于损伤的灵敏度。在此基础上,考虑损伤稀疏性特点,研究₀l范数法、₁l范数法、₂l范数法识别损伤的优缺点;同时针对₀l范数法中的贪婪迭代算法-正交匹配追踪方法（OMP法）进行了改进,提出改进OMP方法。通过变截面简支梁数值模拟发现,基于正则化的附加虚拟质量损伤识别方法比附加虚拟质量损伤识别方法的识别精度高,其中精度最高的是基于改进OMP方法的附加虚拟质量损伤识别方法。尽管改进OMP方法识别精度最高,但是受其计算方法影响,容易求得局部最优解。因此,提出基于残差主成分分析的稀疏贪婪消除法,该方法通过分析整体损伤残差矩阵来判定可能发生损伤的子结构数量并对其进行损伤识别,从全局角度分析,避免局部最优问题,同时对于损伤稀疏性的判定更为简捷。通过变截面简支梁数值模拟,对比改进OMP方法说明基于残差主成分分析的稀疏贪婪消除法的优越性。正则化方法虽然能够减小测量误差影响,但无法完全去除,同时引入了正则化参数,计算比较复杂。因此,研究稀疏贝叶斯方法,从概率角度来减小误差,同时简化计算步骤。该方法在测得数据、损伤因子、稀疏性控制参数的先验概率的基础上,推导出损伤因子、稀疏性控制参数的后验概率分布,识别结构的损伤。通过三层框架数值模拟,验证了稀疏贝叶斯方法的可靠性和高精度性。为了验证基于损伤稀疏性的附加虚拟质量损伤识别方法的有效性和实用性,进行了3层框架试验。结果表明,文中所提的方法在工程精度要求内可以识别出损伤。识别精度最高的是₀l范数方法和稀疏贝叶斯方法,最低的是₂l范数方法。