在机械结构的损伤识别与健康监测方面，光纤布拉格光栅（Fiber Bragg Grating,FBG）传感具有分布动态应变测量的特点，近年来日益受到关注。发展分布式FBG传感系统的损伤识别技术对于发展智能机械、保障重大装备安全服役具有重要的理论意义与实际应用价值。为了在实际环境中有效应用，在识别结果的置信度、损伤定位鲁棒性、计算效率等复杂的基础模型与关键技术方面仍有待突破。本文系统开展了基于测量数据的机械结构损伤识别机理与实验研究，包括损伤检测、损伤定位与损伤严重程度的估计，并对损伤识别结果的不确定性进行了评价。主要研究工作和创新之处包括：　　对实验中环境和工作条件的波动对损伤检测的干扰进行了研究。本文首先采用实验的方法，研究了如何降低环境和工作条件的波动对损伤检测的不利影响。实验中采用一个四角固定的平板结构，并模拟了多种损伤状态。最初使用文献中已经验证过基于自回归模型和Mahalanobis距离的模式识别方法来检测损伤，但是得到了一个失败的结果。分析表明，环境和工作条件的变化，例如测量噪声、温度和激励源的波动，都可能伪装成损伤，导致损伤的误定位。为了消除这些因素的影响，采用Hilbert–Huang变换将动态应变响应信号分解成一系列的固有模态函数分量，然后对各个分量的物理意义进行了讨论，并将第二层固有模态函数分量作为损伤引入信号分量。最后，构造了基于自回归模型和Mahalanobis距离的损伤指标来检测和定位损伤。实验结果证明了该方法的有效性。　　提出了基于环境激励下的贝叶斯应变模态分析的建模方法。通过只测量环境激励下的动态应变响应，从贝叶斯统计的角度，对建模误差和测量误差进行建模，利用贝叶斯应变谱的方法识别出结构的应变模态参数及其不确定性。识别参数的不确定性反映了识别结果的置信水平，能够帮助判断导致参数变化的原因：或者是结构自身变化引起的，例如损伤；或者是一种随机波动。然后，利用slice抽样的随机模拟方法来求解贝叶斯统计中的高维积分问题。　　考虑FBG分布式测量中不同测量点之间的空间相关信息，提出了基于空间统计的损伤定位方法。与传统的损伤识别只关注单一测量点的信号的方法不同，为了提高损伤定位的鲁棒性，对FBG分布式测量中的空间相关信息进行建模。在应变模态振型损伤指标向量的基础上对其进行空间统计分析，得到鲁棒性的损伤定位结果。最后分别用一个平板结构实验和叶片实验对所提出的方法进行了验证。　　针对贝叶斯建模方法在损伤识别中的计算问题，提出了新的随机模拟方法。首先采用局部单元刚度降低的方法对损伤进行建模，然后在贝叶斯统计框架下对损伤的严重程度进行估计，并度量相应的不确定性。重点探讨了随机模拟方法应用在贝叶斯统计中的计算问题。在传统的slice抽样算法基础上，提出一种新的slice-M-H抽样方法。并将该思想应用到Transitional Markov chain Monte Carlo（TMCMC）方法中，提出新的TMCMC-slice抽样算法。分别用两个例子对这四种算法生成的参数样本的性能进行评价：一个是悬臂平板的数值模拟例子；另一个是四角固定的平板实验。数值仿真和实验结果表明，slice-M-H抽样的识别精度高于slice抽样；TMCMC-slice抽样方法的识别精度高于TMCMC。通常，基于slice（包括slice抽样和slice-M-H抽样）方法的识别精度高于基于TMCMC（TMCMC抽样和TMCMC-slice抽样）方法。该研究为利用随机模拟方法求解SHM领域中的贝叶斯建模计算问题提供了参考。