结构在长期运营过程中，由于外界荷载、地震、环境、疲劳等因素作用，不可避免的会导致其内部发生损伤，影响结构的的使用寿命，严重时会威胁结构的安全，因此结构健康监测(Structural Health Monitoring，SHM)技术在国内外被广泛应用。考虑到如何对海量监测数据进行分析并挖掘内在价值，是判断当前结构状态的核心所在。本文在传统数据驱动方法基础上，深入分析传感器测点的时序前后时间依赖性以及传感器测点相关性特征，提出一种卷积神经网络(Convolutional Neural Network, CNN)和门控循环单元(Gated Recurrent Neural Network, GRU)的联合神经网络结构状态模式识别方法，其主要研究内容如下。
　　(1)提出了基于滑动窗口的数据增强方法。通常在试验环境下采集的样本数据是有限的，为了使神经网络模型具有更好的泛化能力，需要大量样本进行模型的训练。因此，本文结合结构基频、传感器采样频率，构建了基于固定滑动窗口的时间序列样本划分方式，获得更多的训练样本。并以一座有限元仿真模型进行试验分析，研究了滑动窗口的窗长大小以及步长值对结构状态模式识别结果的影响。
　　(2)分析了加速度传感器测点相关性。在结构构件关键位置安装了加速度传感器，以实现结构动静力响应及运营环境信息的实时感知与分析。在外界荷载及环境作用下，结构需要满足几何方程、物理方程、平衡方程及力和边界条件等，各个监测点必然存在某种相关性。以重庆某大桥的振动响应数据为例，本文采用Pearson、Spearman和Kendall’s相关性指标表征了其加速度传感器测点相关性，采用卷积神经网络对传感器测点相关性特征进行提取。
　　(3)分析了结构振动响应数据时间依赖性。结构健康监测采集的加速度时间序列数据存在时间前后依赖性，本文引入自相关系数对加速度时间序列的前后依赖性进行表征，并对重庆某大桥监测数据进行分析。考虑到门控循环神经网络在时间特征提取方面优越性，采用GRU提取结构振动响应数据前后依赖性特征。
　　(4)提出了基CNN和GRU的联合网络模型结构状态模式识别方法。本文将结构模式识别归约为多变量时间序列结构分类问题，结合CNN在传感器测点相关性特征提取以及GRU在时序数据长短距离依赖特征提取方面的优势。构建了CNN和GRU的联合神经网络模型，并在Benchmark有限元仿真模型及黑冲沟大桥缩尺模型分别展开试验进行验证，其识别结果分别为97.42%、94.84%，相比主流的DNN、CNN、LSTM、GRU深度学习方法具有较高的识别效果。
　　综上所述，采用联合神经网络为代表的深度学习方法可以有效的提高结构状态模式识别的精度，在结构健康监测领域具有良好的应用前景，考虑到工程实际的复杂性，如何在结构领域广泛的应用还需要进行一步的探索。