结构健康监测是诸多领域的热点研究课题。大型土木工程结构健康监测系统的传感器数量和种类众多,数据压缩对系统的高效运行起着关键作用,数据压缩同时也是无线传感技术与网络的重要研究课题;此外,结构损伤识别是结构健康监测研究的核心科学问题,而不确定性严重影响结构损伤识别的准确性。为此,本文开展结构健康监测的数据压缩方法和考虑不确定性的结构损伤识别方法的研究。主要研究内容包括:研究基于数据压缩采样技术的结构振动响应数据压缩方法。首先介绍压缩采样原理;然后研究基于压缩采样的结构振动响应数据压缩方法,分析压缩效率和解压精度与振动信号特征之间的关系,并与其它数据压缩方法进行比较;最后,对山东滨州黄河公路大桥和国家游泳中心健康监测系统监测的加速度响应数据进行压缩和解压分析,验证方法的有效性。提出基于Bayesian理论的数据压缩采样方法。考虑噪声影响,首先根据Bayesian定理,采用稀疏的先验概率密度函数,建立信号正交小波基系数的概率模型,然后用Bayesian模型选择的思想优化求解参数,得到信号正交小波基系数的均值和方差,最后通过逆小波变化重构得到原始信号。对山东滨州黄河公路大桥和国家游泳中心健康监测系统监测的加速度响应数据进行压缩和解压分析,并与压缩采样方法得到的结果进行比较。研究基于压缩采样技术的模数转换器的设计。首先研究模拟信号的压缩采样方法;然后,提出压缩采样技术的数模转换器的设计方案,给出电路示意图,最后对模拟信号进行数值模拟分析,验证基于压缩采样技术的模数转换器的有效性。提出基于神经网络和信息熵理论的结构损伤识别信息融合方法。首先以不同损伤变量(振型变化率、模态曲率、柔度矩阵等)为输入特征参数,采用神经网络进行结构损伤识别;考虑不同损伤特征变量对损伤识别的准确性不同,提出神经网络损伤识别权重法,并采用遗传算法获得以不同神经网络融合后损伤识别准确率最高为目标函数的不同神经网络的最优权重系数;最后,基于D-S证据理论逐个对神经网络损伤识别结果进行融合,以信息熵判断融合和非融合结果的不确定性,以不确定性最小对应的识别结果为最终损伤识别结果。采用上述方法,以山东滨州黄河公路大桥和国内某桥为例,进行桥梁损伤识别,验证识别方法的有效性。提出基于D-S证据理论的结构在线健康监测方法。借鉴传统贝叶斯方法中模型参数概率分布的计算方法计算D-S证据理论的基本概率分配函数,根据先验信息(包括局部应变传感器得到的局部损伤信息)确定结构损伤的先验基本概率函数,其次由测得的模态参数求得结构损伤的后验概率分配函数,利用D-S证据理论将先验基本概率函数和后验概率分配函数进行融合,实现对先验基本概率函数的更新;多次更新之后可以得到对结构损伤状态的一个比较准确和稳定的评定。对14跨刚桁架梁模型进行多位置损伤数值模拟研究,考虑测量噪声的影响,并且与Bayesian融合的损伤识别方法的进行比较。