在结构健康监测领域中,构建一个能够真实反映结构动力学特性的有限元模型至关重要,但是在工程结构和工作状况逐渐复杂的情形下,建模带来的误差和实际测量过程中存在的随机因素会导致修正后的模型具有随机性。目前大多数模型修正方法属于确定性方法,没有考虑到结构参数和响应的随机性。另外,智能优化算法的性能极大程度影响了模型修正的效率和精度。鉴于此,本文分别对智能优化算法和随机有限元模型修正进行了研究。具体研究内容如下:针对蝴蝶优化算法存在易陷入局部最优和搜索性能不高的问题,提出了一种引入Lévy flight的蝴蝶优化算法（LBOA）。首先,将Lévy flight策略引入算法的全局搜索过程以扩大搜索范围;其次,引入基于线性变化的惯性权重因子来调整算法迭代前对迭代后蝴蝶位置的影响;然后,选择10个不同特征的基准函数对LBOA进行低、中、高三种维度条件下的寻优性能进行测试;最后,考虑到智能优化算法在模型修正中的运用,使用LBOA对代理模型进行优化测试。结果表明,改进算法在不同维度下,寻优精确度和稳定性方面相当或优于比较的其他算法,具有更快的寻优速度,且能够使优化后的代理模型更加精确,具有更低的预测误差。针对利用频响函数进行模型修正的弊端,研究了基于提升小波变换和Wasserstein距离的随机模型修正方法。首先,对结构加速度频响函数进行提升小波变换,提取低频近似系数代替原频响函数;其次,采用拉丁超立方抽样抽取待修正样本,将其作为Kriging模型的输入,对应的近似系数作为输出,构建Kriging模型;然后,使用LBOA优化Kriging模型,提高其精度,从而代替有限元模型进行响应计算;最后,以最小化Wasserstein距离为目标,实现对待修正参数均值的修正,并以动车组枕梁结构为例进行了数值验证。通过简支梁试验对所提方法做进一步验证,所得修正后的频响函数与试验值拟合程度较高,频响函数相关性也有明显改善,说明了该方法的有效性。