在桥梁健康监测领域中,由于桥梁振动信号是实现模态提取和损伤识别的关键,振动信号数据的优劣将会直接影响桥梁健康监测的有效性,因此对桥梁振动信号进行降噪滤波优化处理对实际工程中桥梁结构的健康监测具有非常重大的研究意义。传统的Hilbert-Huang理论在进行信号滤波时,存在模态混叠以及重构误差大等问题,具有较低的自适应性和完备性;多尺度排列熵（MPE）的阈值选取是决定其分析准确性的重要指标,目前大多采用人为经验设定法,但该方法存在一定程度的误差。针对以上方法的不足本文提出一种基于自适应优化模态提取和聚类分析的信号滤波方法,该算法将完全自适应噪声集合经验模态分解（CEEMDAN）进行改进并与MPE和模糊C均值聚类算法（FCM）相结合。再通过信号模拟分析实验验证了该优化算法的可行性。本文在国家自然科学基金面上项目（42072296）和吉林省科技发展计划重点项目（20180201083SF）的资助下开展了如下工作研究:（1）针对CEEMDAN算法的不足,本文提出了一种基于自适应优化模态提取信号滤波方法,该方法在CEEMDAN算法的基础上进行优化改良,首先在其自适应分解的每个阶段加入等大符号相反的成对白噪声并做镜像延拓处理,有效解决了端点效应和完备性不足的问题;接着通过MPE对分解出的各固有模态分量（IMF）进行随机程度分析,筛选并剔除噪声模态,保留有效模态,有效缓解了模态混叠的问题;然后将有效模态与剩余分量进行重构并进行经验模态分解算法（EMD）分解和镜像延拓处理完成最终自适应分解;最后建立优化重构模型,通过多指标衡量进行信号的优化重构,最终完成降噪滤波。（2）针对MPE检索IMF随机程度时阈值选取存在误差的问题,本文构建了一个初始数据集,数据集中的样本为不同信号分解后的MPE值,再通过FCM模糊聚类算法对该数据集进行机器学习并分类,最终得到的聚类中心即为最佳MPE阈值,该方法解决了以往人为设定阈值导致误差偏大的问题,有效增强了噪声识别的精度。（3）本文建立仿真桥梁振动信号模型进行仿真实验,将补充集合经验模态分解方法（CEEMD）、CEEMDAN和本文基于自适应优化模态提取和聚类分析的信号滤波方法应用于仿真信号,通过对比三种方法分解的结果能够得到:本文优化算法在分解阶段具有更好的自适应性、完备性以及抗模态混叠和端点效应的能力;本文优化算法最终重构的信号相比其他两种算法具有更好的光滑度、相似度以及信噪比等优化指标,最终滤波效果良好。（4）将CEEMD、CEEMDAN和本文基于自适应优化模态提取和聚类分析的信号滤波方法应用于长泰大桥振动信号进行实际工程验证,通过对三种算法得出的结果进行分析进一步验证了本文优化算法具有良好的分解性能,同时能最大限度的剔除噪声,本文基于自适应优化模态提取和聚类分析的滤波方法的滤波结果具有良好的信噪比与相似度,可以应用于实际工程当中,对桥梁结构健康监测具有一定指导意义。