随着我国桥梁建设工程的不断发展,桥梁基础设施的大量兴建,桥梁健康监测系统也越来越广泛的应用于大型桥梁结构,以用于桥梁的维护,因此基于桥梁健康监测数据的研究也越来越多,但绝大多数的研究主要是集中在基于对有效数据的分析来对桥梁结构进行损伤识别以及安全评估等方面,而对于监测数据本身的数据异常检测及修复的研究工作相对较少。考虑到数据质量对于后续桥梁结构服役性能分析的重要性,以及桥梁监测数据海量性的特点,本文从大数据处理需求出发,以桥梁加速度监测数据为基础,对桥梁监测数据异常检测与修复工作进行深入研究,并通过实测数据验证了本文研究工作的有效性和研究方法的可行性。本文主要研究工作如下:（1）从桥梁监测数据完整性需求出发,总结分析桥梁监测数据储存规律及标准,针对原始数据存在的缺失情况,构建自动化程序,完成缺失部分的数据填充工作;并通过对计算机视觉技术及深度学习相关算法的研究,将监测数据异常检测问题转化为图像分类问题,并从图像分类问题处理需求出发,对数据进行可视化,并制定加速度数据图像标记标准。（2）针对监测数据异常检测模型构建相关问题,通过引入卷积神经网络预训练模型,并利用迁移学习的方法,来充分发挥深度学习算法在计算机视觉技术上的优势;按照桥梁加速度监测数据异常检测模型的训练流程,首先获取高质量的训练集并通过数据增强操作增加训练集的规模,然后对卷积神经网络预训练模型部分结构进行调整,并对训练超参数进行设置,最后通过循环训练获取满足识别精度要求的公路桥、铁路桥、公铁两用桥加速度监测数据异常检测模型。（3）针对监测数据异常检测工作检测出的噪声数据、漂移数据、跳点数据,分析其产生的原因及数据特征,分别提出相应的异常修复方法。对于噪声数据提出三种不同的噪声修复方法进行对比分析,并通过对桥梁加速度监测数据时频域特征分析,选用小波滤波方法对数据噪声进行修复;对于漂移数据提出漂移点修复法和中位线修复法两种修复方法;对于跳点数据提出最大值剔除法和多倍标准差剔除法对数据跳点进行修复。（4）针对桥梁健康监测数据异常检测与修复工作的需求,制定标准化流程,并通过MATLAB编程实现各部分工作的一键化运行。对实桥监测数据进行异常检测与修复,通过检测结果对数据质量进行分析,并将检测结果与真实结果进行对比,检测结果准确率达到96.5%。