针对结构健康监测系统的实时性和复杂性特点，目前应用较多的一些损伤识别方法具有一定的局限性，难以满足要求。本文以小波分析为工具，从多尺度理论和模式识别的思想出发，提出了多尺度损伤信息分析和多传感器信息融合的损伤识别方法，并结合数值模拟和模型实验对基于小波分析的结构损伤识别的四个步骤进行了较为完整的研究。 从信息获取的角度首次在结构健康监测中提出了多尺度分析理论。对结构健康监测中的几个关键性问题进行了分析，指出目前结构健康监测系统中首要的问题是测试信号的分析处理。基于小波分析提出了结构健康监测中损伤识别的四阶段分析方法，即损伤预警→损伤确认→损伤定位→损伤定量，并给出了流程图。 分析了结构发生损伤时其动力参数的变化特征。应用小波变换把结构动力系统的数学方程在不同尺度上进行了分解，得到了不同尺度上各动力参数的描述，证明了应用小波多尺度分析能得到更多的结构损伤信息。按状态空间方程，编制了MATLAB平台上的结构损伤模拟程序SDSP。通过不同激励荷载下的损伤数值模拟和损伤时域识别，认为针对一定的结构损伤，不同位置的加速度传感器在不同分解尺度上所反应的损伤信息量是不同的；在离激励荷载频带较远的频带尺度上，结构损伤指示更明显。对于基于小波分析的结构健康监测中合理选择采样频率和确定分解尺度数具有理论指导意义。 探讨了结构损伤预警的特点和重要性，提出了一种应用两种小波进行分解和重构的损伤预警方法，并定义了一个多尺度信号损伤奇异点搜寻的指标λ_k，以预警指标阈值μ能有效识别结构是否发生损伤。从Lipschitz指数出发，给出了白噪声和损伤信号的小波系数在时间-尺度相平面上的特点，分析了根据小波系数模极大值在各尺度上的奇异性来进行损伤预警的方法及其抗噪原理。通过在无噪和含噪条件下的连续梁损伤数值实验，研究了小波系数模极大值法和小波多尺度信号分解法进行损伤预警的有效性和抗噪能力。 研究了结构损伤识别中的特征提取和模式分类方法。对小波包节点能量特征提取方法和神经网络模式分类器的构造进行了分析和阐述。小波包变换以其特有的高频分辨率能够实现对结构振动信号的特征提取，可以把时域无限的测试振动信号降维，得到有限个节点能量信号构成的特征指标。通过一个在随机荷载激励下的简单动力系统的数值模拟，对加速度时程信号提取了小波包系数和信号成份两种节点能量特征，对比了两者的差异，认为小波包系数节点能量的特征性更强，且计算效率更高。并基于BP神经网络构造了一个模式分类器，在无噪和含噪条件下，实现了不同损伤率下的损伤识别。 从模式分类和“局部控制、全局参与”的思想出发，提出了耦合神经网络的方法来实现多传感器信息融合的损伤确认、定位及定量。首先以小波包变换提取结构损伤特征，并完成数据层的信息融合；然后构造三个耦合神经网络分别实现不同阶段的损伤识别和局域决策信息融合，以不同样本的训练次序来控制各一级网络对不同区域的映射精度，通过二级网络的训练自动调节具有不同信息熵的区域决策在整体损伤识别中的权值。以一个三层框架结构的实验模型在36种损伤工况下的测试数节V摘要据来验证所提出的方法。从损伤识别的结果来看，对损伤率在7.5%以上的情况，损伤识别精度较高;对于损伤确认和损伤定位，识别精度较高;而对于损伤程度识别略有偏差。 面向实时的、多传感器的结构健康监测系统，本文基于小波分析，通过理论分析、数值仿真、模型实验对结构损伤识别的预警、确认、定位及定量进行了探索性的研究，为结构健康监测和损伤识别提供了新的思想和方法，也为该方法在实际工程中的应用提供了有力的支持。