中国已经建成了多座混凝土高拱坝,出于安全原因,它们需要有效的技术指标,具有可靠的规格和标准。整体稳定性问题十分突出,特殊荷载、极端天气等各种不利因素都会影响大坝的动态性能,可能引起大坝运行问题。因此,混凝土坝的健康监测需要持续可靠的研究。变形对高拱坝工作性能的影响会引起严重的问题。根据以前的工程经验,工程问题经常出现在蓄水的早期阶段。适用于高拱坝初期的位移监测模型（DMM）的研究具有重要的理论意义和实践价值。另一方面,更直观的效应量之一是设计参数和材料特性的变化对高拱坝工作性能的影响。确保高拱坝安全运行的最重要方法之一是对其行为进行基于振动的研究,并开发损坏检测模型（DDM）。根据以前的工程经验,工程问题经常出现在高地震活动或严重洪水之后以及蓄水的早期阶段,这些洪水会在大坝部分留下内部损坏并改变其性质。使用振动响应进行损伤检测的研究适用于任何阶段的高拱坝,以观察其动态行为和材料特性,并具有理论和实践意义。本研究工作第一部分基于蓄水初期实际监测数据,对超高拱坝的DMM进行研究。对近年来超高拱坝的安全监测结果进行了梳理,并介绍了多元回归（MLR）分析、径向基函数（RBF）神经网络和最小二乘支持向量机（LS-SVM）等不同的分析方法,包括其原理和结果评价标准。总结了超高拱坝DMM的建模步骤和实施方法。基于MLR分析以及RBF神经网络（NN）和元启发式机器学习（ML）技术（LS-SVM）的统计回归分析,用于在蓄水初始阶段建立高拱坝的DMM。此外,还比较了静水-温度-时间（HTT）模型和静水季节-时间（HST）模型的性能。第二部分,为确定混凝土拱坝不同部位的损伤及其动态参数,提出一种基于代理模型和优化算法的混合反演方法,并进行模型参数反演。在这种方法中,LS-SVM和RBF神经网络被用作代理模型,以比较这些用于检测损伤的新技术的性能。代理模型用于代替有限元模型执行有限元（FE）分析。为了生成代理模型的样本点,使用了拉丁超立方体抽样（LHS）。针对动态参数反演分析,研究了粒子群优化算法（PSO）、Jaya、遗传算法（GA）和樽海鞘群智能算法（SSA）等多种元启发式优化算法,以优化目标函数。考虑了双曲混凝土拱坝的不同损伤情景,验证了所提出方法的性能和可行性.结果表明;（1）与传统的MLR分析和RBF-NN模型相比,基于LS-SVM的模型在蓄水初期超高拱坝位移监测模型中具有更高的训练和预测精度。（2）为了提高NN和ML方法的性能,应探索超参数值。（3）实测温度能反映不稳定温度场对蓄水初期大坝位移的影响,能达到比季节性温度模型更好的性能。（4）LS-SVM作为一种强大的ML技术,与RBF相比,可以准确地表示动态弹性模量（DEM）与模态参数之间的关系。（5）LS-SVM模型与RBF模型相比,LS-SVM模型的损伤识别过程更准确,并且识别过程更快一些。（6）与其他算法相比,SSA可以更好的解决参数识别问题,并且在两种情况下都与两种代理模型一起表现良好。（7）当将噪声添加到振动响应中时,LS-SVM模型在这两种情况下的损伤检测中都表现良好,这表明LS-SVM方法更可靠。SSA优于其他新颖的优化算法,建议在实际过程中使用所提出的混合模型。（8）选择更多的传感器点来获得振动响应会对预测材料性能变化的准确性产生影响。（9）与有限元相比,基于LS-SVM的代理模型具有巨大的计算效率优势,误差可以忽略不计。删掉“结果表明”在处理复杂的民用基础设施安全监测问题时,LS-SVM是更可靠的修改为“预报建模与损伤诊断方法”。