对于大型复杂结构,基于频域的损伤识别方法对损伤不敏感,往往难以实现结构损伤的定位和识别,而基于时域的损伤识别方法,则面临计算量大、收敛性差等问题。扩展卡尔曼滤波（Extended Kalman Filter,EKF）作为一种时域识别方法,通过将待识别参数视作扩展状态向量,可实现部分观测信息下的结构参数识别,然而当识别大型结构时,状态向量维数会显著增加,造成识别困难。为了避免上述问题,可对大型结构采用分而治之的思想,只针对目标子结构进行识别。结构非线性普遍存在,这些非线性行为可通过非线性恢复力（Nonlinear Restoring Force,NRF）来描述,然而,实际情况中往往难以有效定义非线性恢复力模型,虽然已有学者提出了一些NRF的非参数化识别方法,但此类方法对NRF非参数化的数学模型仍有一定的要求。本课题组曾提出了一种基于EKF的参数和荷载识别方法,但是,一方面此方法需观测外激励施加位置处的加速度信息,另一方面,直接用此方法识别大型结构时,由于待识别量太多,容易导致识别精度低、收敛困难等问题。针对上述存在的问题,利用子结构理论,本文开展了如下几个方面的研究工作,提出了相应的识别方法,并通过数值模拟对算法进行了验证:（1）针对NRF识别,以全局迭代的EKF为基础,提出了一种NRF的免模型识别方法,该方法通过将NRF视为“虚拟外激励”,直接识别NRF。（2）提出了一种未知激励下的改进的EKF参数和荷载识别算法,该方法无需已知荷载位置处的响应信息,同步识别未知外荷载、结构参数和NRF,并通过融合位移响应避免了低频漂移。（3）提出了一种基于全局迭代EKF和数据融合的子结构系统识别算法,基于改进的观测方程,将边界力视为“虚拟外激励”,识别了子结构参数及其NRF、边界力和外激励。（4）研究内容3中的方法仍需实测边界处的加速度响应,为解决这一限制条件,提高算法的普适性,基于研究内容2中的方法,进一步提出了一种改进的EKF子结构识别算法。该方法能够在边界动力响应皆未知的情况下,识别结构参数、边界力、未知外部激励和NRF。