随着有限元计算技术和理论的发展,结构模型修正技术的研究取得了许多重要进展。然而,现有的模型修正技术大多忽略了服役结构广泛存在的非线性。因此,有必要非线性结构模型修正进行深入研究。为解决现有非线性结构模型修正方法面临优化过程复杂的问题,论文提出一种基于深度置信网络（Deep Belief Network,DBN）的非线性结构模型修正方法。首先,利用变分模式分解法（Variational Mode Decomposition,VMD）或离散解析模式分解法（Discrete Analytic Mode Decomposition,DAMD）提取非线性结构振动响应的主分量,并结合Hilbert变换（Hilbert transform,HT）识别主分量的瞬时参数。然后,将瞬时参数进行主成分分析后作为输入,非线性模型参数作为输出,利用DBN拟合输入与输出之间的复杂映射关系。最后,将主成分分析后的实测振动响应主分量的瞬时参数输入训练好的深度置信网络可直接识别修正后的非线性模型参数。为了验证所提出方法的有效性,分别对局部非线性节点模型、Bouc-Wen框架模型与复杂的Giuffré-Menegotto-Pinto框架模型三个不同的非线性结构模型进行数值模拟。在数值算例中,分别研究了不同的信号分解算法、激励类型、噪声水平以及非线性类型对修正结果的影响。数值结果表明:不同的信号分解算法对论文方法的修正精度影响较小;利用本文提出的方法能够有效地修正地震激励与简谐激励下不同的非线性结构模型,且具有良好的抗噪性。最后,利用地震激励下1/4尺度三层钢框架和简谐激励作用下输电结构的振动台试验数据,对论文所提的理论与方法进行了验证。其中,钢框架实验结构在底部安装了压电摩擦阻尼器（Piezoelectric Friction Damper,PFD）,通过修正PFD模型的相关参数可实现对该实验结构模型的修正。输电结构的模型则假定为复杂的三节点非线性模型。通过实测的振动响应与本文提出的方法,识别出修正后的非线性模型参数实现了实验结构的非线性模型修正。实验结果表明,论文方法可以有效地对实际工程结构的非线性模型进行修正,并具有较高的精度。