目前,相贯节点网架结构的研究大多集中于损伤特性、滞回性能等,在损伤识别方向研究甚少。已有文献使用RBF神经网络,提取网架结构的频率及其衍生的指标作为网络的输入对网架结构进行损伤识别,但神经网络与结构模态结合的方法大多需要获取结构较高阶的模态参数,实际检测中对结构的高阶模态较难获取,且对本文新型的相贯节点网架结构是否适用有待研究;RBF神经网络隐含层中心等参数选取不当会导致得不到很好的预测结果,应用于损伤识别泛化性较差。很少有相关文献利用智能优化算法优化RBF神经网络的相关参数对网架结构进行损伤识别,利用网络的集成提高RBF神经网络的泛化能力对网架结构进行损伤识别研究的文献更是较少。网架结构模态密集、自由度高,本文利用RBF神经网络较好的容错性及鲁棒性,在目前损伤识别领域的研究成果基础上,基于K-均值聚类算法、减法聚类算法建立无监督的径向基神经网络,基于MATLAB工具箱的Newrb函数建立有监督的广义神经网络,并利用粒子群算法及遗传算法对RBF神经网络的参数进行寻优,最后集成多个广义的RBF神经网络,分别对相贯节点网架结构的损伤位置及损伤程度进行识别,探讨各种基于径向基函数的神经网络对相贯节点网架结构损伤识别的泛化能力、正确率及可行性,对比直接将加速度片段作为网络的输入与提取加速度时域及频域特征作为网络的输入对损伤识别的优劣。研究结果表明:提取加速度时程曲线的时域及频域特征更能凸显损伤信息,作为RBF神经网络的输入向量进行网络训练能定性及定量识别相贯节点网架结构的损伤;智能优化及集成的RBF神经网络相对提高损伤识别的正确率及网络的泛化能力,能更好的识别相贯节点网架结构的损伤,且集成的神经网络容易操作,使用门槛较低。