工程结构在服役期内一旦发生破坏会造成巨大的社会和经济损失,因此实现运营状态下结构安全性的早期预警是亟需解决的问题。目前普遍采用的方法是在工程结构进行连续在线动态监测,对采集的数据实时处理获取模态参数,进而发现结构刚度存在的早期劣化现象。连续在线监测势必产生大量的数据,因此,首先需要提出有效方法从监测数据中自动获取并跟踪结构的模态参数;其次,在正常运营环境下,工程结构长期的模态参数不可避免的会受到环境因素的影响,它们会掩盖工程结构早期劣化所导致的模态参数变化,进而对结构劣化早期预警造成困难,因此有必要分离温度对模态参数的影响并提出只对结构劣化敏感指标。针对从大量数据中自动获取并跟踪工程结构的模态参数这个问题,目前多采用基于时域的随机子空间识别(Stochastic Subspace Identification,SSI)方法,但该方法在构建稳定图经常会产生噪声点,进而导致无法准确提取和跟踪模态参数的变化。本文针对该问题首先讨论了稳定图定阶的问题用于选取稳定点,进而提出了基于空间密度聚类的方法(Density-Based Spatial Clustering of Applications with Noise,DBSCAN)对稳定图进行去噪处理,将DBSCAN聚类算法分析和SSI方法进行结合,以解决工程结构模态参数获取和跟踪中噪声干扰等问题;并且根据该方法编译了全自动处理数据的MATLAB程序。此外,本文使用ANSYS软件对深圳大学城彩虹桥建立模型,获得了数值模拟的模态参数;与模态实验获得的模态参数进行比较。二者得到的结果进行相互验证,证实了DBSCAN聚类算法对SSI方法构建的稳态图进行去噪的可行性。然后,将该方法对彩虹桥长期数据进行处理,获得了彩虹桥320天连续变化的模态频率,通过其变化探测到该结构在施工阶段的改变。最后,针对温度变化掩盖结构自身变化的问题,本文比较了BP神经网络和多重线性回归模型拟合温度与频率之间的关系,发现前者在数据拟合中更具优越性。进而,本文基于葡萄牙Pedro e Inês人行桥长达五年的模态频率和温度数据,选取BP神经网络模型以及极限学习机对第一年的与频率和温度进行拟合,通过比较,发现极限学习机模型比BP神经网络模型更加优秀,进一步,利用拟合好的极限学习机模型对Pedro e Inês人行桥后四年的频率进行预测从而去除环境温度的影响,发现了结构的早期变化。