测试数据不完备和测试噪声的存在，使得系统辨识法及损伤指标法在结构损伤识别领域的应用受到了限制。当采用模式识别方法对结构损伤识别问题进行求解时，利用神经网络作为模式分类器可以很好地处理测试数据不完备及噪声问题。但随着多传感器系统在大型复杂结构上日益广泛的应用，如何更加有效地利用各种测试信息成为进一步扩大神经网络方法在结构损伤识别领域中应用的关键问题。针对采用神经网络方法进行结构损伤识别过程中遇到的网络输入选取、信息利用策略和复杂结构损伤识别中的待识别位置过多问题，本文引入数据融合理论、证据理论、模糊积分理论、子结构理论和聚类分析理论对以上三个问题进行了深入研究。作者主要完成了以下几个方面的工作。首先，对数据融合理论和神经网络理论进行了深入研究，从理论上分别对两种决策级融合方法和两种网络模型进行了对比，得到了各自的特点和适用的条件。其次，对用于结构损伤识别的神经网络输入选取进行了研究，提出了神经网络输入选取的三个规则：网络实现的损伤识别功能、类别可分性及考虑噪声对类别可分性的影响，利用数值算例验证了所提出的网络输入选取规则的有效性，对采用神经网络进行结构损伤识别具有理论指导意义。第三，对利用神经网络采用特征级融合方式进行结构损伤识别时遇到的个别单元识别效果差的问题，提出了两步识别法，通过建立子网络，减少其他模式类对网络权值修改的影响，数值算例的结果表明，该方法能够有效地提高对个别单元的正确识别率。第四，对利用神经网络采用决策级融合方式进行结构损伤识别进行了研究，比较了D-S证据理论与模糊积分方法对决策的融合效果，数值算例的结果表明，证据理论实现的是“少数服从多数”的效果，并不能充分考虑各证据的可行性，而模糊积分理论则兼顾了各证据对各假设决策的客观估计和各证据对各假设决策的重要性。第五，对采用模糊积分对神经网络识别结果进行融合时模糊密度的计算问题进行了研究，对当前存在的三种计算方式进行了比较，给出了合理的模糊密度计算方式，即按照识别结果可信性计算模糊密度。第六，对于大型复杂结构的损伤识别问题，提出了基于聚类分析的广义子结构法，有效地避免了子结构划分的主观性问题，数值算例的结果证明了该方法的有效性和优越性；将广义子结构法与分步识别思想结合起来，提出了对大型复杂结构进行损伤识别的多重广义子结构法，斜拉桥数值算例结果表明，该方法能有效降低问题的求解难度，使对复杂结构损伤进行准确的识别成为可能。