抖振是大跨度桥梁的风致振动形式之一,虽然抖振引起的桥梁振动响应相对较小,但发生频度高,因此密切影响着桥梁的疲劳性能和行车安全性。结构健康监测系统利用加速度传感器测量桥梁的振动响应,传感器接收到的振动信号成分复杂,受多种荷载影响,其中风荷载和车辆荷载起到主要控制作用。为了单纯研究风振响应,需要消除或削弱车辆荷载的干扰。为此,本文采用机器学习方法,开展结构健康监测振动信号中风致振动与车致振动的分离研究。主要研究内容包括:研究基于独立成分分析(Independent Component Analysis,ICA)的桥梁风致振动、车致振动的信号分离方法。首先介绍盲源分离算法中的ICA算法原理;然后分析桥梁振动信号特点,利用带通滤波器组对单通道信号进行滤波,得到频率独立的伪多通道信号,进而采用ICA进行盲源分离,并利用NCut聚类算法对相似的独立成分进行聚类,得到风致振动子空间与车致振动子空间,重构出两条振动信号。提出基于深度神经网络(Deep Neural Network,DNN)的分离信号评价方法。首先介绍自编码算法原理与深度神经网络算法原理;然后针对桥梁振动信号特点构建栈式自编码深度神经网络,并采用苏通长江公路大桥监测数据进行训练,研究基于样本分类的分离效果评价标准。最后融合独立成分分析和深度神经网络,构建单通道桥梁振动信号的分离及效果评价算法流程,并以苏通长江公路大桥结构健康监测系统数据为例,进行桥梁风致振动与车致振动的分离,验证分离算法的有效性。