设备和结构在服役过程中会出现让人意想不到的问题和故障，因为没有被及时发现经常会造成人员财产的损失。及时地对设备健康状态进行监测，使之安全地运转具有重要的意义。本文研究了基于各种特征量熵的结构健康状态监测技术。研究了信号的预处理方法：时域特征量、频域特征量和时频域特征量。实验表明：当滚动轴承出现故障时，时域、频域特征量都会发生变化。不同的特征量之间也有差异，不同类型的故障和故障程度不同时，时域和频率特征量也都有明显差别。其中时域特征量峭度系数差异最大，而频域特征量重心频率差异最大。另外，不同状态的振动信号经小波包分解后，其能量分布也有很大的差异。因此，提取振动信号的时域、频域和时频域特征量可以降低振动信号的维数，有效地描述不同类型的故障状态。研究了基于信号时频特征熵的健康状态监测方法。在提取信号特征的基础上，讨论了信息熵、近似熵、样本熵和排列熵监测设备和结构健康状态的有效性。实验结果表明：熵可以用来监测不同健康状态，频域特征量信息熵可以有效地描述监测设备和结构的状态。结构损伤是一个逐步加剧的过程，为了更加有效的监测健康状态，预测结构健康状态的发展趋势，使损伤造成的损失降低到最低限度，研究了自回归模型对设备结构进行健康监测方法。机械设备和工程结构的数据实验表明：自回归模型能够较好的对熵值变化趋势进行拟合和预测。为了克服自回归模型对非线性数据预测误差较大的问题，研究了基于神经网络的健康状态监测与预测方法。实验结果表明，采用神经网络方法可以准确地预测机械设备和工程结构的健康状态发展趋势。