结构损伤识别是结构健康监测的重要内容,是保障结构安全运行的必要手段。近年来,随着基础设施建设的不断推进,越来越多的大型建筑结构得到修建并投入运营使用。为保障结构安全和人身财产安全,在损伤识别问题上投入研究十分必要。然而,传统的损伤识别方法难以处理海量的监测数据、易受环境噪声干扰,且过分依赖专家经验。因此,如何实现结构损伤的智能识别是亟待解决的问题。为此,本文以深度学习理论为基础,研究基于卷积神经网络和多任务学习的损伤识别方法。本文主要研究内容如下:提出了一种基于计算机视觉的结构位移识别方法,利用SIFT（Scale Invariant Feature Transform）特征提取算法和基于金字塔的LK（Lucas–Kanade）光流法,自动追踪结构表面特征,能够更为直接地实现结构振动位移监测。通过对桁架结构模型振动视频数据的分析,将基于计算机视觉的结构位移识别结果与真实位移数据进行对比,验证了方法的可行性和准确性。提出了一种基于改进一维卷积神经网络的结构损伤识别方法。构建基于一维卷积神经网络的损伤识别模型,同时嵌入注意力机制模块,以增强网络的信息提取能力。利用该网络模型分别实现损伤定位和损伤定量任务。利用桁架有限元模型获取数据集并验证方法的可行性。进行了可视化分析,研究卷积神经网络的内在实现机制。进行抗噪性能分析,验证方法在不同噪声水平下的损伤识别效果。提出了一种基于多任务学习的结构损伤识别方法,将损伤定位和损伤定量两个任务联合,使其通过浅层共享机制互相提供有效信息,实现双任务并行学习,得到同时具备损伤位置与损伤程度信息提取能力的网络模型。通过四层简化框架结构数值模拟算例,建立了单损伤工况与多损伤工况,验证了方法的可行性和准确性,并进行了可视化分析和抗噪性能分析。