大跨桥梁服役要求通常为一百年,为使桥梁满足使用年限要求,诸多学者开展了大量关于桥梁损伤识别的研究,应用各类信号分析技术对桥梁损伤状况进行判别。然而桥梁信号的非平稳性及环境因素的复杂性制约了传统方法在该领域的进一步发展。因此,寻找新的非平稳性分析方案及特征挖掘技术日趋重要。本文通过斜拉桥损伤模拟和简支梁试验研究,验证了基于递归图和卷积神经网络的方法在该领域应用的可能性,并通过递归量化分析挖掘信号非平稳性变化,表征损伤程度变化趋势。具体研究工作如下:(1)首先本文论述了桥梁损伤识别、递归分析技术和卷积神经网络的国内外研究现状,对递归分析和卷积神经网络的理论背景、发展状况、研究现状进行了详细的描述和分析。对递归技术的基础理论进行了初步的验证,掌握了递归所需的技术和理论要点,为后续开展相关研究奠定了技术和理论基础。递归图为本文的主要研究对象,通过相空间重构的方式将一维加速度信号转换为二维图像信息,挖掘加速度信号内所蕴含的损伤信息。应用卷积神经网络对递归图进行分类处理工作,对表征不同损伤信息的递归图进行分类。递归量化分析是递归图的微观表现形式,对递归图信息进行分析、计算,对递归图进行定量、定性,在本文被用以揭示损伤程度的变化。(2)将上述递归图和卷积神经网络用于斜拉桥损伤模拟,探究如何将二者联合用于桥梁损伤识别,验证该方法应用在桥梁损伤识别领域的可能性。建立多组斜拉索损伤工况,对斜拉索损伤信号进行递归图分析和卷积神经网络分类,分类结果表明,该方法具备较高的精确度,但对损伤程度的敏感度有待进一步优化。(3)运用递归周期密度熵挖掘信号中包含的损伤程度信息。考虑到桥梁损伤信号的非平稳性特征,本文运用递归量化分析法中递归周期密度熵区分不同信号的非平稳性程度,用以表征信号损伤程度的变化。通过模拟发现,递归周期密度熵可有效体现信号的非平稳性变化,评价信号内包含的损伤程度变化信息,可提升递归图表征信号损伤程度和损伤位置的客观性及有效性。(4)最后,本文在递归图和卷积神经网络方法的基础上,引入递归周期密度熵理论,开展简支梁验证性试验。通过试验验证了该方案在实际中应用的可能性,通过递归周期密度熵分析,获取了信号在损伤程度发生变化时的非平稳性变化方式,有效提升了识别损伤程度的准确率。