在结构健康监测系统中,常常需要面对结构参数变化的时变系统,而针对时变系统的振动响应特性,获取结构响应信号后便需要合理的信号分析方法,才能较为精确地获取结构损伤信息进行损伤识别。时频分析方法能够同时提供信号在时域和频域上的信息,这使得时频分析方法在面对时变和非线性系统时有着其独特的优势,其中小波变换则在时频分析方法中担任着重要的角色。经验小波变换（Empirical Wavelet Transform,EWT）因其可构建自适应小波的特点备受关注,但在处理非平稳信号时,传统EWT方法是根据处理后信号的分段傅里叶谱来定义滤波边界的,直接将其用于非平稳信号分解可能是无效和不准确的。为了使EWT方法应用于时变结构损伤识别,对传统EWT算法进行了改进,并结合后续的独立分量分析方法以及优化算法,提出了一种新的用于时变结构损伤识别的方法。本文的主要研究工作如下:1、提出了一种新的改进EWT算法。该算法结合了同步提取变换（Synchroextracting transform,SET）算法及EWT算法,利用SET提取能量更为集中的信号时频谱,并根据该时频谱图得到信号分量的数目并计算过滤边界,即EWT的过滤边界,再由此构造滤波器组,应用EWT从振动响应信号中提取固有模态函数（Intrinsic mode functions,IMFs）,每一个模态函数都是一个调幅调频信号。采用改进EWT算法分解非平稳信号,解决了信号过分解的问题,且验证了该方法具有较好的抗噪性能;2、进行损伤特征的提取。应用改进EWT算法后,每一组原始信号都分解为多个不同频率成分,提取出每一组信号中的对损伤敏感的高频分量,组成高频信号矩阵。针对高频信号矩阵,运用鲁棒性独立分量分析（RobustIndependent Component Analysis,RobustICA）算法对其进行独立分量分析,找到特征分量。特征分量一方面可以初步定位损伤发生的位置,另一方面可以确定损伤发生的时刻。结合改进EWT算法及RobustICA算法,通过一个数值算例验证了该方法的结合能较好地实现时变结构初步损伤识别;3、获得结构的物理参数,进行损伤的量化。运用RobustICA算法确定损伤发生的时刻后,将原始时程信号进行分时段参数识别。选取了遗传算法及粒子群算法两种参数识别算法通过一个四层框架结构数值模拟进行对比验证,数值模拟设置单损伤工况及多损伤工况,最终从最佳适应度值及参数优化结果方面考虑,选取粒子群算法作为参数识别方法,而最终其识别偏差在1%以内;4、实验验证分析。应用一个五层框架实验模型,设置完好工况及损伤工况,分别拾取底层激振信号以及各层加速度响应信号,通过上述的时变结构损伤识别算法对信号进行分析处理,最终与实际损伤情况绝对误差为1.999%,相对误差为3.748%,验证了本文提出的算法的可行性。