模态是结构固有的振动特性,每一阶模态都包含相应的模态参数,即频率、阻尼比和振型。通过对模态参数的计算分析可以研究结构的动力特性,进而实现结构的损伤识别、模型修正和安全评定。结构模态参数识别一直是土木工程结构健康监测领域的重要研究方向,尤其是环境激励下的模态参数识别方法。由于实际结构环境激励不完全满足理想白噪声假定,识别结果中一般会存在虚假模态。因为虚假模态不具有物理意义,所以它在识别结果中的出现具有随机性。目前,真实模态参数的识别主要依赖稳定图原理并结合人的主观判断,这难以实现海量监测数据的自动在线分析,严重影响了结构健康监测系统的实时数据分析与预警功能。因此,本文研究基于机器学习的结构模态参数自动识别方法。主要研究内容包括:提出了一种基于全局稳定性的虚假模态剔除方法。在研究环境激励下的随机子空间模态参数识别方法的基础上,分析了虚假模态的出现原因。提出将相似模态出现次数是否超过总假设阶数的一定比例作为模态稳定的判断依据,并建立考虑全局稳定性的剔除虚假模态方法。通过对实际桥梁监测数据的验证分析,证明了基于全局稳定性的虚假模态剔除方法的有效性。提出了一种基于有监督振型图像分类的结构模态参数自动识别方法,利用计算机视觉技术模仿人工视觉选择真实模态参数的过程,训练卷积神经网络对结构的模态振型图像进行有监督分类,并最终实现对模态参数的自动识别。将此方法应用于实际桥梁监测数据的模态参数识别,结果表明该方法能有效识别结构的模态参数且具有一定的鲁棒性。提出了一种基于无监督振型图像聚类的结构模态参数自动识别方法。将识别得到的模态参数转化为图像并进行对比学习与深度聚类。运用卷积网络对振型图像特征实现无监督提取,在特征空间进行实例级与聚类级的对比学习,利用同一阶模态振型之间语义的相似性指导网络训练,最终实现模态参数的划分与自动提取。通过实际桥梁监测数据的试验分析,验证了模态参数自动识别的有效性。