桥梁结构安全性能评估的准确率,与传感器采集的数据密切相关。然而,受到传感器自身质量缺陷、长周期运作和恶劣的外界环境影响,导致传感器故障频发,桥梁监测系统产生失真数据。如果使用不可靠的监测数据对桥梁进行桥梁结构性能评估,会导致桥梁监测系统预警的漏报与误报。如何准确诊断并修复失真数据成为健康监测系统的重点。基于此,本文提出了基于深度学习的数据失真诊断与修复方法,具体研究工作如下:（1）分析经典桥型的挠度和应变在移动荷载及温度荷载作用下的变化,并以此为基础构建桥梁监测系统的响应函数。根据响应函数的组成,对桥梁监测系统中每个环节进行分析,总结六种常见的数据失真类型、特征及失真成因。（2）针对桥梁的监测数据及其特征信息不易提取的问题,采用了提取和可视化等手段进行预处理。关于监测数据的提取,首先使用MATLAB软件编写程序读取监测数据文件,接着依据时间以及传感器编号对数据进行命名,并根据监测数据类型将进行分类存储。最后使用连续小波变换,将监测数据的时频域信息可视化,可视化后的图像可用于卷积神经网络的特征提取与训练。（3）针对桥梁监测数据失真诊断问题,设计并建立合适的卷积神经网络模型。导入训练样本,训练并保存最优模型用于数据失真诊断,模型诊断准确率达到98.07%。将诊断结果进行汇总分析可得监测数据质量评估,其能反映该桥传感器健康状况。此外,采用三种方法对桥梁监测失真数据进行修复,分别是基于长短时记忆网络的缺失数据修复方法、基于拉依达准则的离群值数据修复方法和基于线性回归的趋势数据修复方法。