结构在长期使用过程中,会因为环境腐蚀、风、地震等环境因素及人为破坏,不可避免地产生一些损伤。未能及时修复的损伤在使用过程中不断累计,损伤逐渐加大,降低了结构的安全性与可靠性,重要构件的损伤甚至会导致结构突然破坏。在结构损伤前期准确识别结构的损伤,对于保证结构的安全性、可靠性,提供结构的修复方案具有重要意义。已有研究成果中,借助均匀设计表进行模拟试验,可构建出结构不同损伤状况与识别指标变化间的关联数据库。通过神经网络工具对损伤数据库进行映射训练后,可用于对该结构损伤位置和程度的识别。但均匀设计试验方法过多地考虑试验的均匀性,不能针对重要因素进行多次试验。该方法大量减少了试验样本,存在不能构造一个完备有效的、可以作为神经网络训练样本数据库的问题。另外识别过程中神经网络存在训练不收敛和训练误差趋于局部最小值,识别指标存在对损伤位置和程度不敏感等问题。针对以上问题,本文主要研究内容如下。首先,为了确定结构损伤状况和结构响应之间复杂的映射关系,利用人工神经网络的自学习、自适应、联想记忆等特点,基于MATLAB工具箱分别建立适用于模式分类和非线性拟合的广义回归神经网络和径向基神经网络。在此基础上提出两步损伤识别方法,先以广义回归神经网络确定结构的损伤位置,再以径向基神经网络识别结构的损伤程度。通过对大型火力发电厂框排架结构进行数值模拟分析,验证了该两步识别方法的有效性。其次,为了能够找到对结构损伤位置与损伤程度敏感、有效的损伤指标,通过对结构损伤前后能量变化的研究与公式推导,提出使用平面单元模态应变能变化率作为结构的损伤识别指标,该指标克服了空间结构无法获取结构完整模态信号的缺陷。通过一个九层空间框架结构的数值模拟,验证了该损伤指标识别结构损伤位置和损伤程度的有效性。再次,为了减少神经网络正分析修正次数,并考虑结构不同构件相对重要程度。采用正交设计方法优化均匀设计表,再应用层次分析法对结构构件进行重要度评估,通过疏密选择不同来优化均匀设计试验,有重点、有代表地选择出用于训练广义回归神经网络的样本数据库。通过上述方法可以在大量减少训练样本的情况下准确识别出结构的损伤位置,具有更高的识别效率。通过对一个大型框架结构的数值模拟,验证了其可以在大量减少神经网络训练样本的情况下,仍具有较好的识别准确率,且大量减少了运算成本。最后,通过对一个四层钢框架模型结构,单损伤和多损伤不同工况,进行数值模拟和试验分析,验证了所提改进均匀设计表损伤识别方法的有效性。在此基础上,提出了适用于该损伤识别方法的完整识别过程,通过对一个钢桁架桥梁和一个九层框架结构的损伤识别应用,验证了识别过程的有效性。这为该方法对不同工程结构类型损伤识别的应用奠定了基础。