桥梁是交通运输工程中的关键组成部分,对社会发展有着重大作用。但由于环境荷载的作用桥梁结构在运营阶段将会出现不同程度的损伤,进而影响使用,因此开展桥梁损伤研究对于维护桥梁运营安全具有重要意义。深度学习理论由于其深层网络结构对复杂问题的特征学习能力突出,因此成为了损伤识别领域的研究热点之一。近年来,深度学习方法在结构损伤识别领域已取得了成功的应用。本文基于深度学习领域中卷积自编码神经网络的方法,针对桥梁结构的损伤识别,主要研究内容如下:根据卷积自编码神经网络和桥梁损伤的特点,提出了一种基于卷积自编码神经网络的桥梁损伤识别方法,该方法利用Pycharm编辑器及深度学习框架Tensorflow将卷积神经网络与自编码神经网络相结合,以桥梁在外界激励作用下的加速度时程数据作为输入信息,以桥梁损伤位置和损伤深度为网络输出,通过卷积自编码神经网络逐层学习实现桥梁损伤特征提取与识别。在实验室环境下进行了桥梁损伤模型试验,利用割裂模型梁表面的方式来模拟桥梁不同程度的损伤工况,测试并提取了60种不同损伤工况的模型梁的加速度响应信号;并对模型桥梁的损伤工况进行了有限元数值仿真。结果表明:经归一化处理后,试验结果与有限元仿真结果吻合良好,可以作为卷积自编码神经网络模型输入的模型试验数据集和仿真数据集。开展了基于卷积自编码神经网络的桥梁损伤识别方法的研究,使用获取的损伤数据集作为卷积自编码神经网络的输入,以桥梁的损伤位置和损伤深度作为网络输出,通过对网络模型进行训练与测试,实现了对桥梁损伤工况的分类、单损伤和多损伤程度的预测,在此基础上探讨了激励位置、大小对识别结果的影响;结果表明:基于卷积自编码神经网络的损伤识别方法可以较好地识别桥梁各类损伤,特别是桥梁小损伤,具有更好的识别效果;该方法对激励位置和大小不敏感,对损伤结果的影响较小。综上所述,本文所提方法在识别桥梁小损伤、多损伤方面具有其他算法不可比拟的优势,可以为运营管理部门发现桥梁早期损伤进而有效制定维护、管养措施提供一定的参考,具有一定的应用前景。