随着桥梁建设事业的快速发展,桥梁在国民经济中的重要性不断地上升,桥梁健康越来越受到人们的关注。超重车对桥梁健康的影响非常明显,严重情况下可能导致桥梁的坍塌。因此,超重车识别已经成为研究热点,但是现有的超重车静态识别方法会中断交通流,而动态识别方法主要面向小跨度桥,对大跨度桥的研究较少。本文提出了基于时间卷积网络的超重车识别算法DOVI。该算法使用卷积层捕捉传感器空间相关关系,使用时间卷积网络以充分利用相邻多个采样时刻的位移响应数据之间的时间相关关系。该算法能够直接从桥梁健康监测系统获取的位移响应数据中学习必要的信息判断桥上的一个识别区域内是否存在超重车。相较于传统动态识别方法,该算法无需影响线、车速信息和车轴信息,且适用于多辆车同时在桥上的工况。该算法的有效性在简支梁桥和大跨度斜拉桥模型上进行了验证,结果表明,与多个基线算法相比,所提出的算法能够更好地捕捉位移响应时间序列中的时空相关性,能够获得更好的识别效果。为了考虑桥上其他识别区域内是否存在超重车的信息,本文对DOVI算法进行了改进,提出了基于多任务学习的超重车识别算法M-DOVI。该算法使用多任务学习的方式同时判断桥上多个识别区域内是否存在超重车,能够学习出更通用的特征,使算法具有更好的泛化能力。实验结果表明,相较于基线算法与基于单任务学习的算法的DOVI,所提出的算法M-DOVI能够获得更好的识别效果。考虑到注意力机制和桥梁影响线机制有相似性,本文在DOVI和M-DOVI算法的基础上,提出了基于注意力机制的算法A-DOVI和AM-DOVI,在原有算法中加入了注意力模块,学习原始序列中不同采样时刻的位移响应数据的重要性得分,使用重要性得分对原始序列进行放缩,放大重要信息的影响。同时,使用桥梁影响线作为先验知识加入到注意力模块中,使深度学习算法能够利用桥梁影响线知识辅助决策。实验结果表明,先验知识与注意力模块的加入能够提升算法的识别效果,将注意力模块中训练好的参数可视化后绘制成曲线与影响线进行比对,能够观察到注意力机制和桥梁影响线机制的相似性。