在结构健康监测系统（SHM）中,由于传感器等各种因素存在,难免会出现数据丢失和损坏,数据丢失易导致桥梁结构出现不必要的损失。为了重建SHM中的缺失数据,研究了基于SAM-LSTM模型的缺失数据预测方法,内容如下:（1）首先应用长短期记忆网络（LSTM）模型对健康状态下波长、加速度数据进行预测。进行三种不同超参数预测试验,不同迭代次数预测试验,不同隐含层节点预测试验,不同学习率预测试验,优化设计了LSTM模型。对比了绝对百分比误差最大值（MAX）、平均绝对误差（MAE）、均方根误差（RMSE）和R~2等评价指标,确定模型迭代次数1000、学习率0.01和隐含层节点数32,模型预测精度较好。在工字钢梁上进行激振试验,以光纤布拉格光栅（FBG）传感器和压电加速度传感器实测的振动信号作为训练测试数据,利用机器学习算法预测分析。（2）融合自注意力机制方法（SAM）和LSTM模型,建立改进型SAM-LSTM模型,结合两种方法优点,将SAM层加在LSTM网络层之后。SAM分配数据不同权值,提取有效特征信息。基于FBG传感器和压电加速度传感器实测健康状态下结构动态响应数据,处理后作为SAM-LSTM输入。比较了LSTM、RNN、ARIMA算法与SAM-LSTM算法预测结果,对比了MAX、MAE、RMSE和R~2等指标图,评估了不同算法对序列信号预测值与实测值的差异,验证了改进型SAM-LSTM预测效果较优异,误差最小。以健康状态下加速度预测为例,SAM-LSTM的MAE值比LSTM模型降低了59.4%,比ARIMA模型降低了74.5%,比RNN模型降低了62.9%。试验结果显示SAM-LSTM对健康状态下波长、加速度数据预测精度较高。（3）当传感器发生故障时,无法在故障传感器处正确获取数据。这种情况,急需某种方法重建传感器丢失数据。将传感器的编号方向作为序列方向,利用相邻传感器之间监测数据重建传感器故障位置时间序列。从实际工程角度出发,基于SAM-LSTM进行横向信号预测。利用16个FBG传感器和6个压电加速度传感器实测健康状态下结构动态响应数据,处理后作为模型SAM-LSTM输入。通过和其他模型评价指标和预测结果对比,试验表明,SAM-LSTM可以有效预测不同位置故障传感器序列数据,且预测精度高于LSTM、ARIMA、RNN等算法。（4）探究实际工程中SAM-LSTM模型对不同损伤状态下缺失波长、加速度数据的恢复性能,不同损伤工况下波长、加速度作为模型输入。SAM-LSTM对损伤信息进行预测,通过评价指标与LSTM、ARIMA和RNN预测结果对比,并与健康状态下波长、加速度预测结果对比,表明SAM-LSTM方法可以有效预测损伤后的波长、加速度数据。对实际工程中重建缺失损伤数据具有重要意义。