结构参数识别对结构振动控制、健康监测和状态评估都起着非常重要的作用。以往对线性结构参数识别的研究已经趋向成熟,而实际结构都是非线性的,虽然现在国内外学者对结构非线性振动参数识别的研究已经取得了丰富的成果,但是还尚未形成统一的理论与方法,现有的识别算法仍存在一些问题亟待去解决,尤其是通过试验验证所提出的识别算法。本文采用复Morlet小波对结构非线性振动参数进行识别,针对该方法会出现边端效应以及采样点较少的情况下参数识别不准确的问题,提出了利用BP神经网络对信号进行预测,并通过结构非线性振动试验进行了验证。本文主要从以下几方面展开研究的：(1)针对复Morlet小波变换方法存在的边端效应问题和较小采样点情况下参数识别不准确的问题,提出了利用BP神经网络对信号进行预测的方法。接着介绍了利用复Morlet小波变换进行结构非线性振动模型参数识别和应用BP神经网络对信号进行预测的原理。(2)基于两种非线性振动模型对所提出的算法进行数值仿真,利用提出的BP神经网络方法对信号进行预测延拓,然后对预测前后的信号进行复Morlet小波变换。同时通过对信号加入不同的噪声水平,确定了该方法对噪声具有一定的鲁棒性。最后对这两种模型在较少采样点情况下的信号通过BP神经网络进行预测,同样对预测前后的信号进行复Morlet小波变换,从而识别出参数。(3)在一个采用旋转阻尼器来模拟塑性铰的结构非线性振动模型上对所提出的算法进行试验研究,通过测量结构在自由振动下的位移响应,采用复Morlet小波变换识别出结构非线性振动模型在不同阻尼情况下的数学模型,然后对不同阻尼情况的模型进行地震激励测得其位移响应,与数值模拟结果相比较,验证了识别出来的非线性振动模型的正确性。