有效评估桥梁结构健康状态对桥梁安全运营具有重要意义。随着桥梁结构健康监测的广泛应用,系统在桥梁结构上放置各种类型的传感器,随着系统的长期运行,采集了大规模高维时序数据。桥梁某个位置的单传感器收集的数据为单维时序数据,只体现了桥梁结构中某个局部位置的状态,并不能反映整个桥梁的结构健康状态。而桥梁各个位置监测到的高维时序数据,能够全面描述桥梁整体状况。因此有效分析这类多维时序数据并评估其状态,是目前桥梁状态评估急需解决的问题。基于此本文提出了一种处理多维数据的桥梁结构状态评估方法。本文提出了基于多维时序数据的FESN桥梁结构健康状态评估方法,基于函数的回声状态网络(Functional Echo State Network,FESN)对桥梁多维时序数据进行分析处理。该方法利用存储层的非线性映射能力和存储能力,积累每次输入数据的时间特征,将桥梁多维时序数据映射到高维空间中,使其在新的高维空间中线性可分;而后运用时间聚合算法处理映射到高维空间中的数据,对桥梁多维时序数据进行识别。同时,该方法为了训练学习输出权函数矩阵,提出了基于正交基展开的时空聚集算法进行计算。该方法通过非线性映射及时间特征积累,不仅增强了桥梁多维时序数据的可识别性,而且考虑了数据在不同的时间步长的相对重要性。本文提出的方法首先在ASCE Benchmark经典数据集上进行实验验证,并将实验结果与传统方法SVM、KNN、NB进行对比,对比实验表明本文提出的方法具有较高的精准率,能够有效的评估桥梁结构健康状态。为进一步验证该方法的有效性,本文在实桥数据集上进行实验,结果亦表明该方法在平均精准率和稳定性上比传统方法表现的更好。通过实验得出本文提出的方法在桥梁结构状态评估上具有一定的有效性和可行性,同时,在两个经典数据集的实验中对各方法参数进行一定程度调整与分析,为参数的设置提供了建议。最后对本文提出的评估方法用粒子群算法进行参数优化,即PSO-FESN。优化该方法的(N、R、SR、SD)四个基本参数,并将优化后的参数在两个经典数据集进行大量实验,实验结果表明,优化后比优化前的精准率有一定程度的提高,对参数设置在这两套数据集上提供了理论依据。