海上风电支撑结构作为海上风机的基础设施,服役环境恶劣,载荷来源复杂,容易发生损伤。为保证海上风机的安全运营,避免事故的发生,需要对其支撑结构进行健康监测和损伤识别。目前基于振动响应的结构损伤识别研究大多采用有监督学习算法,而有监督学习算法具有需要结构损伤前后的数据、标签标注工作量巨大和其效率取决于数值模型的准确性等缺点。为此,本文利用无监督学习算法对海上风电支撑结构进行损伤识别研究,设计并完成了单桩式海上风电支撑结构缩尺模型试验,获得其在力锤、白噪声和气动荷载激励下健康和损伤状态的加速度响应信号,利用该信号对提出的损伤识别方法进行验证,结果证明了该方法的有效性。主要内容如下:（1）简述了课题的研究背景和意义,重点介绍了目前国内外海上风电支撑结构损伤识别方法和基于无监督学习算法的结构损伤识别研究现状。（2）介绍了PCA、VMD、HT、One-Class SVM和K-Means聚类算法的基本理论及其参数取值。（3）设计并完成了单桩式海上风电支撑结构损伤识别缩尺模型试验。以美国NREL提出的5 MW基准风机为原型,采用单桩基础,按照弹性-重力相似理论设计了几何比尺为1:40的缩尺试验模型,并进行了力锤、白噪声和气动荷载激励作用下健康工况和四种不同损伤工况的模型试验,获取试验模型的加速度响应信号,其中白噪声和气动荷载激励以位移加载的方式通过MTS系统施加到试验模型的顶部。（4）基于One-Class SVM的海上风电支撑结构损伤预警研究。从实测加速度响应信号中提取时域统计特征,对其进行Z-score标准化、相关性分析和主成分分析,构建用于损伤预警的特征矩阵,将特征矩阵输入One-Class SVM进行海上风电支撑结构损伤预警,模型试验数据验证准确率最低值为93.333%,证明了上述方法的有效性。（5）基于K-Means聚类算法的海上风电支撑结构损伤程度识别研究。利用VMD从实测加速度响应信号中提取结构的模态响应分量,对其进行Hilbert变换得到Hilbert时频谱,以结构模态响应的能量和模态响应Hilbert时频谱能量构建损伤特征向量,通过对损伤特征进行敏感性分析建立用于损伤程度识别的特征矩阵,利用K-Means聚类算法进行结构损伤程度识别。气动荷载激励下风机支撑结构模型试验数据验证的准确率为100%,证明了提出的基于K-Means聚类算法的结构损伤程度识别方法的有效性。