机器学习中的深度学习方法在结构健康监测过程中的应用研究有着重要意义。本论文对深度学习在结构健康监测中的数据异常识别、未知激励下损伤识别、未知集中荷载时程重构问题进行研究。当健康监测系统的传感器暴露在恶劣的环境条件下时,由传感器故障引起的多种异常会影响健康监测系统的测量数据。面对由于结构的连续监测产生的海量数据,人工剔除异常数据会导致效率很低,因此使用更先进的深度学习方法进行异常检测具有重要的意义。对监测数据进行异常检测、剔除异常数据后,更重要的一步是对结构进行损伤检测和状态评估。对于结构在地震激励下的损伤检测,不同的地震激励必然引起不同的结构响应数据。在实际应用中,未来地震激励特性并无法用预先训练的卷积神经网络来预测。因此,研究未知地震激励下结构构件损伤的自动检测是十分必要的。在结构健康监测中具有重要意义的一步是识别外部荷载。结构的实际受力状况得到准确识别,是决策者在进行结构安全评估和决策的依据。对于集中荷载识别,大部分机器学习方法都使用机器学习中的浅层神经网络,无法直接学习响应与荷载之间端到端的函数关系。而且对于结构响应的特征提取也依赖于人工经验,集中荷载形式也多为脉冲荷载。所以使用深度学习方法对未知集中荷载时程进行更加自动化地识别是值得研究的问题。本论文第一章对目前结构监测过程中的数据异常识别、损伤识别、荷载识别的研究现状进行了总结,并阐明了目前研究存在的不足以及本论文的主要工作。本论文第二章提出一种基于结构振动信号,应用一维卷积神经网络的结构监测数据异常检测方法。首先将异常检测问题建模为时间序列分类问题。原始时间序列经过数据预处理、数据增强,其中包括数据扩充和下采样构造新的样本。对于数据集中的少量样本,采用两种方法进行数据扩充,在不增加原始样本的情况下增加具有相同标签的样本。提取最大值和最小值的降采样方法可以有效地降低输入样本的维度,同时最大程度地保留数据的特征。加入分类权重的超参数调优,使得卷积神经网络在处理不平衡训练集时更加有效。所提出方法的有效性通过在一座大跨度桥梁的加速度数据异常检测来证明。结果表明,使用提出的方法可以以高精度自动检测到多个数据异常。本论文第三章提出了一种基于结构响应传递比和小波包能量,应用卷积神经网络在未知地震激励下的结构损伤识别方法。利用结构响应的传递函数（TF）来消除未知地震激励的影响。此外,利用对TF的逆Fourier变换和小波包变换来减小频带的影响,并提取损伤敏感特征。在环境激励下产生结构响应数据,利用无损数据和少量有损数据构造训练样本集来训练卷积神经网络。然后,对结构在未知地震激励下的响应进行相应的处理,并利用训练好的网络模型进行损伤定位。本论文第四章提出了一种基于结构响应信号,应用循环神经网络的未知集中荷载识别方法。循环神经网络（RNN）模型主要由三个LSTM层组成,通过大量的动态响应和白噪声载荷进行训练,以学习结构输入和输出之间的复杂逆映射。并通过梁式桥的数值模拟对所提出的方法进行验证。结果表明,该方法即使在集中荷载时程未知的情况下,对于若干种荷载,也具有重构时程的能力。对于更多未知的其他荷载时程以及未知的荷载位置的情况,该方法的适用范围以及局限性还需进行研究。