随着服役时间的累积,结构会存在一定程度的损伤,为结构带来安全隐患。基于结构动力特性识别其损伤是结构健康监测的重要方法。粒子群算法以其简单高效的特征,已被应用于结构损伤识别领域中。但粒子群算法尚存在寻优过程后期易陷入局部最优的缺陷,导致其不能得到最优解。即在结构损伤识别领域,该算法存在识别精度低、误判率高等问题。本文针对粒子群算法在结构损伤识别中存在的问题,提出了改进的粒子群算法。通过在学习因子和惯性权重中分别引入S型曲线,实现了对学习因子和惯性权重的动态非线性调整,进而平衡算法全局搜索能力和局部搜索能力。为验证改进算法的正确性和有效性,本文通过建立双层刚架有限元模型,将结构损伤识别转化为约束优化问题。在动态响应信号中加入不同等级的白噪声,用来模拟测量噪声的影响。通过设置9种不同损伤工况,将本文提出的改进学习因子粒子群（ICPSO）算法和粒子群（PSO）算法识别结果进行对比分析,验证ICPSO算法的优越性。在噪声干扰下,ICPSO算法的识别精度较PSO算法有明显提高,且随着噪声水平的提高ICPSO算法的鲁棒性更加明显。为进一步提高粒子群算法识别结构损伤的精度,本文通过在惯性权重中引入S型曲线,提出改进惯性权重粒子群（SIPSO）算法。该算法与先全局随机搜索后局部精细搜索的一贯思路不同,利用了粒子群算法独有的个体极值与全局极值可并行存在这一特点。通过比较不同参数下非线性函数收敛能力,选取SIPSO算法的最优调节参数。结构损伤识别结果表明:SIPSO算法在兼具ICPSO算法优点下,其识别精度较ICPSO算法有更进一步的提升。为验证改进算法的优越性,将SIPSO算法、PSO算法和类似改进粒子群算法进行对比分析,通过求解三种非线性函数,证明SIPSO算法具有更快的收敛速度。数值模拟结果表明:当SIPSO算法应用于结构损伤识别时,其具有求解精度高、误判率低、鲁棒性好的优点。本文研究结果可为结构损伤识别提供新方法和新策略。