结构健康监测已发展成为土木工程基础设施管理、维护乃至设计的重要工具。长期在线监测产生了海量数据,数据处理、信息解释以及知识发现正成为结构健康监测新的挑战。大跨度桥梁健康监测系统一般具有种类和数目众多的传感器,空间多点监测数据包含着重要的结构荷载分布信息,利用空间监测数据识别荷载的空间分布并建立联合概率模型用以描述荷载的空间分布规律是结构健康监测的重要研究课题;此外,空间多点监测数据隐藏着丰富的结构行为和响应的空间相关或空间映射等空间相互关系,揭示监测数据的空间相互关系并建立其数学模型,不仅有助于深刻认识监测数据的物理本质而且也具有很大的实用价值。为此,本文研究大跨度桥梁荷载和响应的空间监测数据处理与建模方法。主要研究内容包括:研究基于计算机视觉技术融合动态地秤监测数据的大跨度桥梁车辆荷载时-空分布识别方法。首先,在动态地秤处的视频中利用背景减除和图像去噪方法对移动车辆进行探测并截取车辆子图,同时利用时间关系从动态地秤监测数据中提取车辆重量信息。然后,利用子图识别和粒子滤波算法从覆盖全桥的一系列视频中对目标车辆分别进行识别与跟踪,以确定移动车辆荷载的时-空坐标。最后,利用某实际大跨度桥梁视频监测数据和动态地秤监测数据识别该桥车辆荷载时-空分布。研究大跨度桥梁重车荷载空间分布建模方法。将重车荷载空间分布建模分解为位置分布建模和车重分布建模两个子问题:采用无向图模型建立桥面重车位置分布模型,并基于贝叶斯理论提出模型更新方法;重车总重采用无向图模型的附加节点变量表示,分别提出考虑重车独立性和相关性的车重分布模型。最后,利用上述识别的某实际大跨度桥梁车辆荷载样本,建立该桥重车荷载空间分布模型,并对模型的有效性进行验证。以结构健康监测中丢失概率分布信息修复为应用背景,研究基于空间相关性的结构响应监测数据概率分布预测方法。为克服传统分布-分布核回归方法外推预测能力不足的缺陷,基于分布扭曲变换理论提出一种新的结构响应监测数据分布-分布回归预测方法。新方法利用扭曲函数描述不同监测位置结构响应概率密度函数间的形状映射关系,将概率分布预测问题转换成扭曲函数预测问题;基于函数型核回归方法建立非参数回归模型用于预测输入分布到目标分布之间的扭曲函数(概率密度函数间的形状映射关系),然后利用预测得到的扭曲函数对输入分布做扭曲变换以实现对目标分布的预测。最后,以某一实际桥梁应变监测数据进行分布预测试验,并与传统方法进行结果比较。由概率密度函数和扭曲函数本身的约束条件所致,传统分布-分布核回归方法和上述基于扭曲变换的分布-分布回归方法均采用精度较低的NadarayaWatson估计器(本质上属于局部线性平滑方法)估计回归函数。为提高精度,基于对数分位密度变换(LQD变换)和再生核希尔伯特空间(RKHS)理论提出另外一种新的结构响应监测数据分布-分布回归预测方法。利用LQD变换将概率密度函数变换为位于希尔伯特空间的普通函数(称为表征函数),将概率分布预测问题转换成表征函数预测问题;基于RKHS理论建立非参数回归模型用于预测目标分布的表征函数,然后利用逆LQD变换将预测得到的表征函数变换回概率密度函数空间以实现对目标分布的预测。针对逆LQD变换的数值积分误差和回归模型的可伸缩性问题分别提出了相应的措施。最后,以某一实际桥梁应变监测数据进行分布预测试验,并与传统方法和上述扭曲变换法进行结果比较。研究桥梁应变监测数据空间相互关系精细化建模方法。将温度引起的应变响应和车辆引起的局部应变响应视为函数型数据(连续曲线),利用扭曲函数描述应变曲线间的非线性相位,基于相位-幅值分离方法建立不同测点应变响应的映射模型。将随机激励引起的应变响应视为随机变量,采用非参数copula函数灵活描述空间两测点间随机应变响应的相关结构并建立联合分布。结合普通函数型数据回归方法和本文提出的分布-分布回归预测方法,讨论该建模方法在丢失数据修复中的应用,并利用实际大跨度桥梁监测数据验证方法的有效性。