由于工程结构的设计寿命一般较长,在长时间的环境侵蚀、振动以及疲劳等随机灾害作用下,不可避免地会导致结构出现局域性的损伤。考虑到微小范围内的损伤并不能使结构发生倒塌破坏,但随着损伤的积累,结构的抗力和寿命下降,从而给结构的安全和稳定性留有隐患,所以近年来对结构进行健康监测引起了人们的广泛关注。结构损伤识别算法是结构健康监测的核心所在,尤其是实时的在线基于滤波技术的结构损伤识别算法,其中包括扩展卡尔曼滤波算法(EKF)和粒子滤波算法(PF)。卡尔曼滤波自从20世纪60年代初问世以来,就在航空航天领域获得了非常成功的应用。随着研究的深入,卡尔曼滤波技术越来越多地应用于各个领域,如导航制导、工业控制、目标追踪、大地测量和金融等。本文从传统的扩展卡尔曼滤波算法出发,研究其在不同结构(单自由度或多自由度、线性或非线性)、不同噪声(高斯或非高斯)下的参数识别行为,全面了解该方法在土木结构系统中的参数识别行为和识别性能。仿真结果表明传统扩展卡尔曼滤波方法在线性结构高斯噪声系统中具有非常好的识别精度,但当系统为非线性结构高斯噪声或线性结构非高斯噪声时,用扩展卡尔曼滤波仍可以进行参数识别,但参数识别结果有所下降。特别的,对于非线性结构非高斯噪声系统,扩展卡尔曼滤波识别结果非常差。期间对于结构非线性的研究,本文以匹配双线性模型为例,验证了 Bouc-Wen模型对于非线性模型的普遍适用性。本文将线性加速度理论引入到扩展卡尔曼滤波过程中,提出了一种新的扩展卡尔曼滤波,称之为改进扩展卡尔曼滤波,然后基于该改进算法进行了单自由度线性结构高斯噪声情况下结构参数识别,研究表明该改进算法具有与原算法相似的识别精度,但是可以避免状态转移矩阵的复杂求导运算。针对扩展卡尔曼滤波在时变系统的局限性,本文介绍了衰减记忆扩展卡尔曼滤波,并进行了单自由度线性结构高斯噪声情况下的结构参数识别,验证了衰减记忆扩展卡尔曼滤波在时变系统中的有效性。考虑到扩展卡尔曼滤波器在非高斯噪声情况下识别效果不佳,本文又继续研究了粒子滤波算法,在前人研究的基础上引入稳态分布似然值来扩展高斯似然值,然后进行了单自由度线性结构高斯噪声系统中的参数识别,验证了稳态分布似然值的有效性和适用性。同时研究了粒子滤波在不同结构(单自由度或多自由度线性)、不同噪声(高斯或非高斯)情况下的识别行为,并将识别结果与传统的扩展卡尔曼滤波进行对比分析,仿真结果表明粒子滤波算法在非高斯噪声系统中具有明显的性能优势。最后,本文分别将扩展卡尔曼滤波和粒子滤波方法应用于一个五层钢框架参数识别实验中,从实验的角度验证了粒子滤波相较于扩展卡尔曼滤波的优越性。