对工程结构的损伤识别、定位以及估计是近年来十分流行的研究课题。尽早地发现结构损伤，可大大降低维护、维修的费用。目前，结构损伤检测技术已被广泛应用于航天、土木、机械和核工业中，是一门建立在损伤机理、传感器技术、信号分析技术、计算机技术及人工智能技术之上的多学科综合性技术。 结构的动力特性与结构物理参数直接相关，结构发生损伤通常会导致结构动力特性的改变。近年来，基于结构动力特性参数的诊断，由于其多种优点，已成为当前学术界和工程界的研究热点。然而，用振动模态构造的损伤标识量往往需要求解复杂的数学反演问题，使结构损伤识别存在一定的困难。神经网络以其优异的非线性映射能力可以将逆问题正问题化，因此本文提出将振动模态分析和神经网络技术结合起来，以振动模态构造的损伤标识量作为神经网络识别输入的特征参数，从而进行结构损伤识别。 将神经网络用于损伤识别时，通常的做法是一次识别出结构的损伤位置和损伤程度，然而当杆件较多时，所需要的训练样本数量非常庞大。为了解决这个问题，本文采用多重分步识别方法，首先确定结构中有损伤的层，然后在已知有损伤的层内确定有损伤的杆件，最后确定有损伤杆件的损伤程度。这样可以大大节约训练样本的数量，节约学习时间。针对BP网络固有的收敛速度慢、局部极小等问题，本文对BP网络进行了性能改进，在训练函数中附加了动量项，并且网络的学习速率采用自适应学习速率。 实际识别过程中，不可避免的会存在误差影响。本文通过对一个五层钢框架的试验研究，分析讨论了模型误差对识别结果可信度的影响。为了考察模型误差对结构损伤位置、损伤程度的识别能力，设计了多组损伤模拟方案。识别结果表明，在有模型误差时，选择适当的损伤参数，利用改进的BP网络与多重分步识别方法相结合，仍能取得较为理想的损伤识别效果，模型误差对网络的识别性能影响较小。