近年来,近场动力学理论成为了一种新的固体力学分析方法,在材料失效破坏和裂纹扩展分析方面相比传统力学有着天然的优势,因此,本文尝试将近场动力学方法融入动态监测系统中,使其在材料结构健康监测方面充分发挥自身的优势。另外,为提高系统的实时性以及更合理的调用近场动力学理论分析,对近场动力学计算过程进行了并行化处理,并引入了机器学习方法用于监测结构异常状态,形成了近场动力学与机器学习融合下的动态监测系统。本文首先提出了近场动力学与机器学习融合下的动态监测系统的整体框架,主要包括数据采集、数据存储与数据分析三个模块。其中数据采集模块由用于实时数据采集的无线传感器网络组成,数据存储模块由用于历史数据的存储和查询的数据库组成,数据分析模块由近场动力学分析和机器学习异常检测方法两部分组成,数据分析模块也是本文研究的主要内容。对于近场动力学分析,本文使用了基于脆性材料的键基近场动力学理论,并提出了一种基于多项式拟合的损伤函数,对发生较小形变的键的损伤估计更为准确,使分析结果更符合脆性材料的损伤与破坏情况。另外,针对近场动力学计算过程提出了基于OpenMP的线程级并行方案,对算法中的物质点循环进行并行化能够有效提高计算速度,在实验使用的软、硬件环境中,对于一般的近场动力学计算任务能够获得20～25倍的加速效果,该方法也被添加到现有的近场动力学建模仿真软件中。机器学习异常检测算法通过采集到的实时数据对监测目标的异常状态进行快速、准确识别,使近场动力学分析更具有针对性。本文通过实验分析了多种机器学习方法在二分类和多分类异常检测问题中的表现,发现神经网络算法能够较好地满足准确的预测性能和较快的预测速度两方面要求,另外,在此基础上进一步测试了神经网络模型在迁移应用时的表现,发现使用迁移学习中的fine-tune方法能够在较短的再训练时间内使模型快速获得较好的预测性能。本文将近场动力学分析与机器学习异常检测进行结合并融入到动态监测系统中,充分发挥两者优势的同时也使系统具有更强的分析能力,这也为近场动力学理论的应用提供了一种新的思路。