桥梁是交通基础设施的关键,对保障国民的出行便利及经济发展有重大作用。但是桥梁结构也会有重大隐患,由于疲劳、超载以及自然灾害等原因,桥梁会出现损伤,其通行性能受到影响,损伤严重时甚至会造成安全事故,因此有必要及时准确地对桥梁的信息进行监控。在对桥梁信息进行监控时,有两个方面至关重要,其一是监测数据的采集,其二在于监控信号的识别。在数据采集方面,桥梁结构监测数据会受到各方面的影响,比方说传输和采集过程中会丢失部分数据,使得桥梁检测结果出现误差;无线传感器在传输数据的过程中会消耗传感器本身的能量,传感器的持续能力较低时会影响监测数据的连续性和有效性。本文针对以上问题,提出矩阵补全的方法来对数据进行恢复。该方法是一种新型的基于正则化的模型,能够低误差的恢复缺失信息。该方法在仿真和实验数据上进行广泛实验,实验结果表明,此模型能够有效的恢复缺失信号。当丢失率在60%时,重建精度可以达到87%以上。当丢失率为40%,重建精度可以达到94%以上。鉴于该方法能够有效的恢复丢失率为60%的数据,所以可以人为地减少传感器监测的数据量的传输比,减少传感器的能量消耗,增加无线传感器的续航时间,提高损伤识别的准确率。在数据识别方面,传统损伤识别的方法需要使用数据处理技术对数据进行处理之后再依靠理论和经验选择监测信号的特征,而在一般情况下,人为选择的特征无法在多个项目中使用,所以在每一个项目进行损伤识别时,都需要重新筛选特征,导致任务相对繁重;同时,人为选择的特征也会加大损伤识别的误差。而卷积神经网络能够自行地在样本中寻找特征来训练模型,所以本文提出一种基于迁移学习的神经网络方法对监测信号进行识别。相对于传统的神经网络方法而言,本文提出的方法对训练数据量要求更少,而且只需从输入数据中提取高层特征,将其低层网络的阈值迁移到现有任务上,因为低层的特征存在于预训练模型中。神经网络在高层和低层都拥有可用于模型识别的阈值,这种方法大大减少了模型训练的时间,并且相对于从头训练的网络,迁移过来的模型使用了数以万计的数据得到低层网络,在分类方面具有更高的精度。本文对恢复的信号进行连续小波变换,将一维的时域信号转换成二维的时频图,将时频图作为迁移学习的输入进行模型训练和损伤识别,在仿真数据和实验数据上进行反复测试。在仿真和实验缺失数据的恢复上,本文所提出的方法使其损伤识别的精度均达到97%。与另外两种传统的损伤识别的方法进行对比,该方法所得到的结果在准确率优于其他方法。