近年来,为满足交通发展需求,我国建造了多座大跨度桥梁。跨度增大使得桥梁柔性增大,对风作用愈发敏感,因而抗风设计成为桥梁设计的控制因素之一。尽管在桥梁设计中已通过提高颤振临界风速避免了发散颤振,但无法避免涡激振动的发生。此外,跨度的增大减小了桥梁结构自振频率,因而减小了涡激振动临界风速,增加了低风速下涡激振动发生的频率。近些年,人们已在多座大跨度桥梁上多次观测到涡激振动,大幅涡激振动造成桥梁结构疲劳损伤,还威胁行车安全。因此,研究大跨度桥梁涡激振动具有十分重要的意义。尽管前人基于风洞试验对涡激振动机理和建模进行了大量研究,但是由于风洞试验难以模拟真实风环境的时空特性和足尺结构高雷诺数效应,风洞试验结果与真实原型桥梁风致效应并不完全一致。因此,本文基于原型监测大数据和机器学习算法研究原型桥梁在真实复杂风环境下的涡激振动。首先,提出基于聚类算法的桥梁涡激振动自动识别方法。构建以加速度均方根值和振动单频特性为特征的桥梁涡激振动识别特征空间,提出基于聚类算法的桥梁涡激振动自动识别方法,对某大跨度桥梁长期振动监测数据识别分析,自动准确识别出166次涡激振动事件,其中包括6种单模态涡激振动;进一步对涡激振动风速场聚类分析,发现6个风速场模式及其与涡激振动模态之间的对应关系,揭示风速场对桥梁涡激振动模态的影响机理和风场展向非均匀性对桥梁涡激振动模态的影响。其次,提出基于决策树算法的桥梁涡激振动模态预测建模方法和基于支持向量回归机的桥梁涡激振动统计响应时程预测建模方法。建立以1分钟平均风速风向为输入、以桥梁涡激振动模态标签为输出的桥梁涡激振动模态决策树预测模型,通过某大跨度桥梁风场监测数据准确预测该桥梁涡激振动模态;建立以1分钟平均风速风向为外输入、以主梁1分钟位移均方根值为输出的桥梁涡激振动统计响应时程支持向量回归机预测模型,通过某大跨度桥梁风场监测数据准确预测该桥梁在时空变化来流风下的涡激振动全过程位移均方根幅值时程(1分钟为基本时距),该模型识别出涡振风速区间和风向区间,并可揭示风场展向非均匀性对涡激振动响应的影响规律。再次,提出基于神经网络的桥梁涡激振动位移幅值微分方程建模方法。建立以平均正交风速为外输入、以桥梁位移幅值时间导数为输出的桥梁涡激振动位移幅值微分方程前馈神经网络模型和循环神经网络模型,通过某大跨度桥梁风场监测数据准确预测该桥梁在时空变化来流风作用下的涡激振动全过程瞬时位移幅值时程;对比分析前馈神经网络模型和循环神经网络模型的网络架构和预测表现,揭示循环神经网络在桥梁涡激振动位移幅微分方程建模上的优势及其原因。最后,提出桥梁涡激振动时变动力特性稀疏识别方法。提出基于非线性动力系统稀疏识别算法的桥梁涡激振时变动力特性识别方法,对某大跨度桥梁涡激振动及风场监测数据分析,建立各次涡激振动事件的桥梁位移幅值时变微分方程,揭示桥梁涡激振动动力特性的时变过程和时变机理;进一步对微分方程函数项系数聚类分析,发现7个函数项系数模式,揭示桥梁涡激振动的动力特性模式特征。