流线型箱梁断面作为现代大跨径桥梁中常用的断面,若其气动外形不合理会导致桥梁在低风速下发生涡振,因此在设计桥梁时需要考虑其抗风稳定性。由于涡振发生的机理较复杂,研究涡振最常用的方法就是结合工程经验进行风洞试验,但措施的选取具有一定的盲目性,为快速估计断面是否会发生涡振,本文对两个桥梁断面分别进行了风洞试验及CFD模拟,建立了扭转涡振数据库,并利用神经网络对断面的涡振性能进行识别。本文的主要研究内容如下:（1）收集了宽高比为6的矩形断面的涡振数据,利用交叉验证的思想选择误差较小的薄板样条插值来扩充样本数据库。将数据库分为训练集和测试集两部分,利用训练集训练BP神经网络和RBF神经网络,利用测试集检验训练得到的网络,发现BP和RBF这两种网络均可以用来预测宽高比为6的矩形断面的涡振特性,证明了神经网络可以用来预测断面的涡振。（2）为预测流线型箱梁断面的涡振特性,收集了桥例A与桥例B两座流线型箱梁断面的涡振数据。设计桥例A的节段模型并进行风洞试验,改变断面的风嘴角度、等效质量惯矩、阻尼比,得到桥例A不同工况下的涡振数据。对桥例B进行涡振数值模拟,验证了数值模拟的准确性之后,改变桥例B断面的风嘴角度、风嘴位置、等效质量惯矩、阻尼比,计算得到桥例B不同工况下的涡振数据。（3）综合桥例A及桥例B的涡振数据,为神经网络的学习提供数据支持。选择断面宽高比、风嘴角度、风嘴位置、腹板角度、阻尼比、等效质量惯矩6个参数作为涡振的特征参数,利用matlab验证特征参数之间是相互独立的。利用薄板样条插值对已有的涡振样本进行扩充,将扩充后的样本划分为训练集和测试集。利用训练集训练神经网络,并对不同网络的最佳参数进行优化,通过测试集对学习后的网络进行误差评估,最终得到了以下三种网络:可以预测流线型箱梁断面涡振特性的BP神经网络和RBF神经网络、能够判断主梁是否会发生涡振的概率神经网络。