结构健康监测已经成为研究结构服役性能的重要手段。损伤识别是结构健康监测研究的重要和核心内容之一。但环境噪声大大降低了结构损伤识别的精度。近年发展的小波变换、神经网络、数据挖掘和信息融合技术和方法等为提高结构损伤识别的精度提供了有效的途径。　　本文研究了部分常用损伤识别方法的损伤识别特性，在此基础上，研究了基于信息融合技术的结构损伤识别的方法。　　主要研究内容有：　　研究部分常用损伤识别方法的损伤识别特性，主要包括频响函数法，模态曲率法，β指标法和小波变换法。对三跨连续梁进行损伤模拟，分别研究频响函数法，模态曲率法，β指标法、小波变换法在8测点和12测点情况下对噪声和损伤程度的敏感性，测量数据的噪声水平为0％，2%，5%，10%，15%，20%，损伤程度为10%，20%，40%，60%四种情况。　　考虑结构损伤演化规律以及不同时段信号噪声水平的变化，提出基于信息融合技术的多时段融合损伤识别方法。先用频响函数法对结构损伤进行多时段识别，然后将各时段的识别结果进行融合，以一简支梁为例，采用不同噪声水平的信号，验证方法的有效性。结果表明，信息融合技术可以减少环境噪声引起的识别结果的不确定性，提高识别结果的可信度。　　提出了基于 BP神经网络和Dempster-Shafer（简称 D-S）证据理论的结构损伤位置识别方法。首先以不同输入参数的多个神经网络进行损伤定位，然后将各个神经网络的识别结果用D-S证据理论进行融合，因为不同输入参数的神经网络其识别准确率不同，因此其提供的证据重要性也不一样，通过引入权重系数，并采用遗传算法优化权重系数，将各个神经网络的输出加权调整之后再进行融合，得出最后结果，以一两跨连续梁为例，对其13种损伤模式进行识别。结果表明，该种方法可以较大程度降低环境噪声的影响，提高识别损伤位置的准确率。