桥梁健康监测系统的有序运行,对保障桥梁结构在使用年限内安全服役和高效运营管养意义重大。其中,损伤识别是结构健康监测系统的重要目标之一,能否有效解读振动响应信号所蕴含的损伤信息至关重要。在既往学者信号分析处理技术研究的基础上,配合课题组桥梁健康监测系统开发需求,提出利用小波包分解和递归图（Recurrence Plot,RP）对信号进行多空间尺度上的表征和可视化,同时引入决策融合（Decision Fusion）机制用以提高卷积神经网络（Convolutional Neural Network,CNN）损伤识别分类的准确率。主要研究内容如下:（1）提出基于小波包分解和递归图的非平稳信号分析方法。从理论角度分别论述了小波包分解与递归图的优势及缺陷,指出多尺度分析的可行性和优点,并通过一组构造混合信号对其进行可行性验证。证实将小波包分解和递归图进行有机结合后,可在多空间尺度上表征和可视化损伤信号的动态特性,捕捉振动信号的非线性和非平稳行为。（2）以简支梁为研究对象,分别建立仿真模型和实验室模型,对多种损伤工况下所采集的加速度信号进行小波包分解和递归图处理,通过卷积神经网络对多个尺度的递归图进行损伤识别分类,使用决策级融合提高识别准确率;同时,将原始信号转换的递归图和卷积神经网络分类结果作为对照组。试验结果初步证实,该方法对于简支梁单一损伤下多尺度识别精度高于单尺度损伤识别方法,仿真试验识别精度高达96.45%,实验室试验精度为88.33%。（3）为进一步验证并优化该方法对复杂桥梁结构的损伤识别性能,在实验室斜拉桥模型进行损伤模拟,利用多尺度递归图和卷积神经网络对损伤进行识别分类。结果表明该方法能够识别复杂桥型不同构件损伤,且由于小波包分解重构后信号信噪比提高,多观测单元经多数票决（Majority Vote,MV）后有效降低了环境噪声和偶然误差对该方法的影响。