处于复杂环境中的铁路桥梁结构尺寸大、刚度大且承受的活载大,这使得结构的损伤状态中存在着与荷载的相关性。现有损伤识别方法未考虑这种相关性,所以将这些方法应用到铁路桥梁结构损伤识别中时,存在很多局限性。为此,结合研究小样本情况下机器学习规律的统计学习理论,对列车荷载作用下桥梁结构的损伤识别进行专门研究,并完成了以下几个方面的工作：1、针对与列车荷载相关的损伤,提出了铁路桥梁结构损伤识别的子区域法：首先通过结构易损性分析,确定结构易损部位；再根据易损部位的损伤状态,从列车在桥梁上行驶的时间区域中选择出若干子区域；然后在每个子区域内,假定所研究的易损部位的损伤状态保持不变,进行损伤识别研究。2、针对结构损伤程度与荷载的相关性,采用5步策略分析每个子区域内的损伤识别：损伤预警、损伤等级划分、损伤位置识别、损伤程度识别和损伤精确识别。3、由于结构完好状态和损伤状态之间有较大的区别,所以将损伤预警看作统计学中的模式识别问题；以加速度时程数据构建损伤指标,优化样本库,然后利用统计学习理论中支持向量机分类算法建立损伤预警模型。将所提方法应用到一个三跨连续梁数值模型,结果表明：当测试数据对应的列车模型与训练样本对应的相接近时,损伤预警识别模型具有较好的区分能力和一定的抗噪声能力。4、由于不同损伤等级的结构状态之间存在较大的差别,可将损伤等级划分看成模式识别问题,利用统计学习理论的支持向量机分类算法,判断测试结构处于较差、差的和危险3个等级中的哪一个等级。针对一个三跨连续梁,建立损伤等级划分模型,并利用不同的测试数据检验该模型,结果表明：所提出的方法能够将待测的结构状态划分到正确的等级中。5、针对损伤位置识别的特点,提出了损伤位置识别的分层法：首先识别出损伤所在的区间,然后识别所在的子区间；再将每一层中的位置识别看成一个统计学中的模式识别问题,利用统计学习理论中的支持向量机分类算法建立损伤位置识别模型；然后针对该模型,构建适合的位置识别指标,优化样本库。最后使用三跨连续梁数值模型检验所提出的方法,结果表明：该方法能够较准确地识别出损伤发生的位置,而且有一定的抗噪声能力。6、由于损伤程度是连续变化的,可将损伤程度识别问题看成统计学中的回归估计问题,以加速度时程数据所构建的指标作为自变量,以损伤程度作为因变量,利用统计学习理论中的支持向量机回归算法进行求解。三跨连续梁桥的数值试验结果表明：该方法能够较准确地识别出损伤所在子区间的整体损伤程度,但结果具有一定离散性。7、针对损伤精确识别的特点,提出了损伤精确识别的方法：在某一特定损伤子区间的损伤程度识别基础上,将该子区间分为2个区段,以其中一个区段作为待求区段,并将其损伤程度作为识别目标,将损伤精确识别问题看成是统计学中的回归估计问题,利用统计学习理论中的支持向量机回归算法,识别待求区段的损伤程度；再根据子区间整体损伤程度的一致性,推算出另一个区段的损伤程度。将所提方法应用到三跨连续梁桥模型中,结果表明：该方法能够较准确地识别出待求区段的损伤程度,但结果具有一定的离散性。