有效识别各类建筑的结构健康状态对建筑的良好长期运营有着重要的意义。随着传感器技术和物联网的发展,结构健康监测系统得到广泛应用,通过部署在结构中的大量传感器采集实时数据,对这些数据进行分析从而得到结构的健康状态。而大量传感器采集的数据呈现高维、数据量大等特点,采集的数据不可避免的受到噪声的影响,且结构负载不断动态变化,传统的方法需要通过人类手工地提取传感器数据的特征,不仅耗时耗力,而且有些领域还要求研究人员需要有丰富的本领域相关知识。如何能够在这些因素下快速实时的识别出结构健康状态是一个亟需解决的问题。基于此本文提出一种端到端、简单、易于实现的结构健康状态识别方法。本文提出了一种基于深度可分离卷积的结构健康状态识别方法。该方法以原始的时间序列信号为输入,使用深度可分离卷积代替标准卷积,全局平均池化代替传统的全连接层,降低了模型的参数量和计算量的同时减轻了过拟合的风险。该方法在噪声环境下具有良好的性能,利用较大的一维卷积核和随机破坏的训练数据提高模型的抗噪能力。同时该方法具有较强的跨负载领域自适应能力,不依赖任何域自适应算法,也不需要目标域的信息,在结构负载变化时能够达到较高的精度。本文提出的方法首先在ASCE基准结构的两种有限元模型数据集中进行了实验验证,并与现有的一维卷积神经网络模型、二维卷积神经网络模型和MLP方法进行了对比,实验表明本文提出的方法具有较高的准确率,能够准确的识别结构的健康状态;同时能够在不同的噪声级别下保持较高的准确率,通过随机破坏的数据训练卷积神经网络进一步提升了模型的抗噪能力,表明了本文方法的有效性。为了进一步验证本文方法的有效性,再次在桥梁缩尺模型的三个数据集中进行了实验,结果亦表明了本文方法比其他方法表现更好,同时验证了本文方法的领域自适应能力比其他几种方法更为优秀,证明了本文方法的可行性和有效性。