桥梁造价昂贵且与民生密切相关,如果在桥梁坍塌事故发生后再对桥梁进行修复将会对国家造成巨大的损失。为了减少与桥梁管理有关的未来费用,需要长期的对桥梁进行健康状态检测并及时修复和加固。然而目前,提高桥梁结构健康状态检测的准确度和效率是工程实践中面临的主要挑战之一。针对上述问题,本文提出了一种基于残差网络和注意力机制的算法模型,充分利用桥梁结构响应数据的价值,挖掘其规律,更加高效的实现了桥梁健康状态的检测,提高桥梁的运维效率。首先根据桥梁原始数据特征,设计合适的数据预处理方案。然后通过分析各类深度学习模型特点,选用具有高效特征提取能力的残差网络和能捕获时序数据信息的LSTM进行组合,并通过注意力机制实现特征在时间维度上的加权,从而针对桥梁结构数据设计出新的模型结构,实现对桥梁健康状态的检测。最后,利用合作课题组提供的桥梁模拟仿真数据和哈尔滨工业大学结构监测与控制研究中心(SMC)提供的天津永和大桥结构实测数据对模型算法进行验证,与其他四种现有算法模型(SVM、CNN、LSTM、Res Net)相比,本文模型在两个数据集上的准确性更高且模型效果更加稳定,证明本文提出的算法比现有的算法更能满足实际工程应用的需求,验证了算法改进的有效性。在解决问题的过程中,为了更加方便的进行桥梁挠度的采集,提出了一种基于图像的测量方法,通过图像处理、畸变校正、标定中心坐标等操作,获得具有更高精度的桥梁动载和静载挠度数据。