在与人们生活息息相关的建筑结构中，由于设计、施工等先天性缺陷以及外部荷载作用、环境因素、疲劳效应、腐蚀效应和材料老化等灾变因素的耦合作用以及各种不可确定因素的作用会使结构出现不同程度的损伤。而当建筑的结构发生损伤以后，将会影响结构的承载力及耐久性，使得抵抗外力的能力下降，从而引发严重的工程事故，这样就会造成重大的人员伤亡和经济损失。因此，本文在查阅了大量相关的文献资料的基础上，对建筑结构中的钢桁架结构的损伤进行了智能化的识别。 目前，对结构进行检测和评估，以确定结构是否有故障与损伤存在，进而判别故障与损伤的程度与位置，以及结构目前的状况、使用功能和结构故障的变化趋势等，已经成为了国内外的研究热点。而理想的健康监测系统应该能够在结构损伤出现的较早时候发现损伤，采用损伤识别技术确定损伤的位置，估计损伤的程度并预测结构的剩余有效寿命以及结构的可靠度。而将结构健康监测与智能诊断系统进行有效的整和才能把目前广泛使用的离线、静态、被动的检查转变为在线、动态、实时的健康监测与监控。 本文提出了一套结构损伤识别的智能化方法，根据钢桁架结构损伤前后以及不同损伤位置和不同损伤程度的模态频率，运用了相应的神经网络技术以及小波分析技术，对其损伤位置和损伤程度进行了智能识别，并给出了模拟仿真。 本文主要研究内容如下： （1）单个神经网络学习中存在的主要问题是不具有全局搜索能力，计算开销很大，易陷入局部极小。粒子群优化算法是90年代出现的基于群体智能理论的优化算法。通过群体中粒子间的合作与竞争产生了群体智能指导优化搜索。粒子群算法与神经网络的融合也是基于克服神经网络的学习可靠性低的问题，也是基于种群的全局搜索策略。它采用速度—位移模型，避免了复杂的遗传操作。它特有的记忆使其可以动态地跟踪当前的搜索情况，进而调整其搜索策略。本文在传统的BP—PSO的算法基础上进行了改进，提出了一种优化算法。并将该改进的BP—PSO与传统的BP—PSO算法进行了比较与分析。 （2）小波变换是一种信号的时间—尺度分析方法，它具有多分辨分析的特点，小波分析在时域和频域上同时具有良好的局部化性质。小波网络（Wavelet Network）是小波变换分析与神经网络的融合，具有比单纯的BP神经网络更好的收敛性和更好的抗干扰能力。本文在传统的小波网络的基础上进行了算法的优化，提出了一种将小波分析与遗传算法相融合的优化算法。 （3）通过对非对称型钢桁架结构损伤前后以及不同损伤位置和不同损伤程度下的提取的参数：模态频率，运用改进的BP—PSO优化算法，对其进行单根杆件损伤位置和损伤程度的智能识别，以及双根杆件损伤位置和损伤程度的智能识别。运用该方法能有效诊断出损伤发生的位置以及该损伤位置的损伤程度。对损伤识别结果进行相应误差的分析。 （4）通过对对称型钢桁架结构损伤前后以及不同损伤位置和不同损伤程度下的提取的参数：模态频率，运用改进的小波网络与遗传算法的融合算法，对其进行单根杆件损伤位置和损伤程度的智能识别，以及双根杆件损伤位置和损伤程度的智能识别。运用该方法能有效诊断出损伤发生的位置以及该损伤位置的损伤程度。对损伤识别结果进行相应误差分析。并对实际实验所测得的数据进行了相应的讨论。 （5）根据以上识别与分析，对钢桁架损伤识别建立有效的模拟仿真系统。