结构健康监测系统得到的监测数据通常包含多种类型的异常（包括错误数据）,这些异常通常是由传感器故障和数据传输故障等引起的,并不一定代表结构的真实状况。异常数据的存在严重干扰了结构健康诊断与评估。但是,由于结构健康监测系统数据量巨大,异常数据类型多,异常数据特征具有不确定性等特点,传统单目标、二分类方法以及基于阈值的异常数据检测方法均难适用。当前对异常数据的检测方法研究多集中于振动加速度数据,对于种类繁多、复杂的其它各种数据的异常检测研究相对较少,因此本文研究基于机器学习的结构健康监测多元数据的异常检测方法。主要研究内容包括:建立了结构健康监测多元数据异常检测的数据库。考虑到结构健康监测数据的特点,将结构健康监测数据异常检测问题转化为图像分类问题,通过将数据分段可视化,确定应变、支座位移、GPS、温度、倾角等监测数据的异常模式,构造了结构健康监测多元数据库,通过使用Deep Dream卷积神经网络可视化工具将卷积神经网络内部高维权重可视化,总结特征建立异常数据特征库。提出了基于卷积神经网络的结构健康监测多元数据异常检测方法。首先设计并训练了一个用于数据异常分类的卷积神经网络架构,研究在不同工况中卷积神经网络架构的最优参数与超参数。采用数据库中具有代表性特征的样本进行标记、训练、验证与测试,通过实际桥梁监测数据对训练好的卷积神经网络模型进行异常数据检测验证,并与人工检测结果进行对比分析,结果表明提出的方法在精度、效率等方面满足多元数据异常检测要求。提出了基于迁移学习的结构健康监测多元数据异常检测方法。针对单个结构训练数据不足的问题,在原有卷积神经网络模型的基础上,提出采用不同结构的少量数据进行有监督参数迁移学习的方法,设计了迁移学习方案和神经网络架构。采用实桥监测数据进行验证并与基于Alex-Net的迁移学习模型进行了对比分析,结果表明,在小规模数据的迁移学习下能有效地提升异常检测模型的泛化能力。