随机子空间识别和贝叶斯模态分析方法既能识别结构的模态参数,又能量化结果的不确定性,已成为模态参数识别领域的研究热点。然而,在两种方法的工程应用中,仍存在动态加速度采样时长对识别结果的影响尚不明确,两种方法的识别精度、不确定性量化结果、识别效率缺乏比较研究,两种方法未能实现完全自动化等一系列问题。基于以上原因,本文以数值模型和几个实际工程结构为研究对象,对两种方法的工程应用问题展开了深入研究。首先,推导了协方差驱动随机子空间法(COV-SSI)和快速贝叶斯FFT模态参数识别方法的理论公式。以6自由度弹簧质量数值模型和广州新电视塔(GNTVT)为研究对象,探究了不同加速度采样时长对两种方法识别结果的影响。结果表明,随着动态加速度采样时长的增加,两种方法的模态参数识别结果均更加可靠,不确定性也有逐渐减小的趋势;综合考虑时间成本以及识别结果的可靠度,在工程应用中,推荐动态加速度采样时长设定为10-30分钟。进一步,以6自由度弹簧质量数值模型、加拿大HCT大楼、GNTVT和香港TKB大桥为研究对象,从模态识别精度、不确定性量化和计算效率等方面出发,对两种方法进行了比较研究。结果表明,两种方法均可以准确识别结构模态参数,并能有效量化其不确定性;当激励不是白噪声时,COV-SSI会识别出一些虚假模态,且不确定性略大于白噪声激励下的情况,而贝叶斯方法则不受影响;贝叶斯方法对模态阶次的变化更加敏感;COV-SSI对于不确定性量化更加保守;在具有大量测量自由度和较长采样时间的实际结构中,贝叶斯方法的识别效率更高。最后,针对COV-SSI方法需要人工参与且计算耗时费力的问题,重新构建了包含模态参数的不确定性特征的稳定图,并利用卷积神经网络自动识别构建的稳定图,实现了 COV-SSI模态参数及其不确定性识别方法的完全自动化。并以6自由度弹簧质量数值模型、加拿大HCT大楼和香港TKB大桥对提出的方法进行验证,结果表明,提出的方法具有很好的鲁棒性和准确性。