桥梁作为一种大跨、悬空、服务期漫长的重要交通枢纽其使用安全性对国民经济具有举足轻重的作用。桥梁健康监测系统用来长期在线监测和评估桥梁安全状况，是保证桥梁安全使用的重要手段之一。但是由于外界因素的影响以及长期野外恶劣环境中电子设备使用中存在的问题，使得采集信息出现大量缺失数据，极大地影响了基于完备数据的桥梁安全评价。本文研究桥梁健康监测系统采集数据的特点，提出了基于支持向量机的残缺数据填补方法，达到了较小样本下高精度填补的目的。　　本文首先研究了支持向量机（Support Vector Machine，SVM）算法的基本原理，讨论了SVM具有小样本下强泛化能力的优势，结合桥梁健康监测系统采集数据具有较小样本、非线性且时序的特点以及时间序列分析中SARIMA（Seasonal Auto Regressive Integrated Moving Average）模型表征数据的特性，提出了基于SARIMA分析的样本输入向量构造方法从而建立支持向量回归机（Support Vector Regression Machine，SVRM）的模型实现不同类型的残缺数据填补。然后，为了证实样本输入重构和SVM填补的优越性，设计了多种时间序列样本输入向量构造方法与本文所提出的样本重构方法的填补性能对比实验、相同样本情况下线性回归、时间序列、BP神经网络等几种经典模型与SVRM模型的填补性能对比实验以及不同样本空间下的BP神经网络和SVRM模型填补性能对比实验。最后，在此基础上，设计开发了实现所有填补对比实验功能的软件系统；并针对实际需求，提出了以样本更新方式的在线自适应SVRM残缺数据填补。　　上述实验的结果表明，针对具有季节性的时间序列，本文提出的基于SARIMA样本输入向量构造方法可以有效地引导SVRM模型进行样本输入向量构造，并且使得桥梁健康监测系统残缺数据的填补精度较其它样本输入构造方法提高了2~10倍。相同样本空间下，几种经典模型填补精度由低到高的顺序为线性回归、SARIMA、BP神经网络和SVRM模型，其中SVRM模型填补精度较BP神经网络提高了1~3倍；不同样本空间下，达到相同精度时SVRM模型所需样本是BP模型的60％；BP神经网络模型与SVRM模型填补效果证实了SVM在桥梁健康监测系统残缺数据填补上具有小样本预测精度更高的优势。在设计开发的软件系统中，对比静态模型法和采用固定样本的动态建模法实现残缺数据填补，对比实验结果表明在线模式以样本更新的方式能够获得更高的预测精度。