结构健康监测技术为基础设施的运维和管理决策提供了参考依据,对于保障基础设施服役期间的安全具有重要意义。由于受到传统数据分析方法的限制,监测系统采集的海量数据并没有得到充分利用。近年来,深度学习逐渐应用到海量数据分析以及基础设施的智慧运维等领域,基于此研究背景,本文提出了结合多源监测数据和深度学习模型的输电塔易损性分析框架。以某输电塔结构为例,进行输电塔的风致易损性评估。本文的主要内容和创新点如下:（1）提出了集成多种数据处理方法的多源监测数据预处理框架。针对多源监测数据中常见的数据异常现象和不同类型数据的分析要求,对监测数据进行不同数据处理方法比选。对离散型缺失数据和连续型缺失数据分别进行线性填充和基于深度学习模型的数据填充。对离群数据综合考虑移动均值法和移动中位值法进行检测和线性插值替换。选用滤波器去噪、小波阈值去噪和平滑去噪方法对多源数据进行去噪处理,提出定量描述去噪效果的综合评价准则进行不同监测数据去噪方法的比选。基于MATLAB平台完成并验证了多源监测数据预处理算法。（2）提出了结合多源监测数据和深度学习模型的概率易损性评估框架。以输电塔结构为例,进行输电塔关键杆件的风致易损性分析。以经过数据预处理的多源监测数据为训练数据集,通过深度学习建立以风场数据为输入,杆件应变响应为输出的非线性映射模型。以数值模拟生成的灾害强度均匀的风场数据为输入,利用训练的深度学习模型快速预测输电塔杆件响应,建立风场灾害强度和杆件应变响应的概率需求模型。通过结构不确定性分析方法确定输电塔杆件的极限状态,进而计算杆件不同性能水准的易损性曲线,完成输电塔杆件在强风灾害下的概率易损性分析。（3）完成了基于多源监测数据融合的输电塔动态位移重构和风致易损性分析。结合应变监测数据,采用相关学者提出的应变—位移映射方法实现输电塔结构的动态位移重构。利用深度学习模型建立以风场监测数据为输入,结构位移响应为输出的等效替代模型,通过贝叶斯优化方法实现了模型的超参数调优。将塔顶位移作为衡量输电塔抗风承载能力的指标,以灾害强度均匀的风场数据为输入,利用训练的深度学习模型实现输电塔塔顶位移的快速预测。通过非线性静力推覆分析并参考规范确定输电塔结构的极限状态,计算结构不同性能水准的易损性曲线,实现对输电塔结构的风致易损性分析。