结构健康监测（Structural Health Monitoring,SHM）是指利用传感器对工程结构的损伤进行检测和识别,作为物联网技术的重要应用领域之一,SHM已经在环境监测、应急管理等应用中得到广泛关注。对于部署在缺乏地面通信基础设施的特殊地区的SHM传感器,由于没有地面基站提供接入服务,要可靠地实现收发数据将变得十分困难。无人机和卫星由于具有灵活的机动性以及广阔的覆盖范围,被认为是实现此类远程SHM物联网进行可靠通信的有效解决方案。另一方面,无人机、卫星等高动态设备在辅助远程SHM物联网收发数据时仍然还面临无人机和传感器电量有限、对异构网络中不同传感器类型的识别能力差、信道快速时变、算法时间复杂度高难以适应环境动态变化等挑战,对此,本文结合人工智能技术,对无人机和卫星在辅助远程SHM物联网中的通信策略展开研究,具体研究内容如下:（1）针对传统的无人机轨迹规划算法在远程SHM数据收集任务中面临的不能识别传感器优先级以及在动态环境下算法时间复杂度高等问题,本文提出基于强化学习的无人机自适应轨迹规划算法。该算法框架由一个编—解码结构组成,其中编码器先对传感器位置、类型和时延优先级等信息进行编码,解码器再利用编码后的特征向量以及无人机自身电量、位置等信息通过注意力机制计算无人机到不同传感器节点之间的重要性权值,进而产生策略信息的概率分布。相比于传统的无人机轨迹规划算法,该算法具有识别传感器类型的能力,并且一旦模型被离线训练好,只需通过一次前馈传播即可产生策略,大大降低了时间复杂度。仿真结果表明提出的自适应轨迹规划算法可以有效识别出传感器的时延优先级特征,并在无人机总能耗和不同优先级传感器的平均时延之间取得更好的权衡。（2）针对智能反射表面在辅助低轨卫星实现远程SHM物联网通信中面临的瞬时信道状态信息获取困难以及智能反射表面和卫星波束形成算法时间复杂度高等问题,本文提出基于深度学习的波束形成算法。该算法充分利用图注意力网络处理图结构数据的突出能力,搭建基于图注意力网络的深度神经网络模型建立由接收导频和网络拓扑到卫星和智能反射表面波束形成的直接映射,并通过无监督学习方法对模型进行离线训练。与传统的智能反射表面波束形成算法相比,该算法不仅消除了信道估计的需要,同时还具有近似线性的时间复杂度,可以满足高动态场景的实时性,仿真结果表明该算法可以取得块坐标下降算法95%以上的性能。