桥梁健康监测一直以来是桥梁安全的重要保障,通过实时监测能够帮助及时发现桥梁的损伤,保证国民出行的安全。然而这一切的基础是能够采集到准确有效的数据,只有采集到能够真实反应桥梁各节点的相应传感器数据,才能为桥梁健康监测做好输出工作。然而一方面有效的数据段采集比较困难,另一方面如何划定有效数据和无效数据一直是难点,此外对数据的划分需要消耗大量的人力和精力,深度学习网络在日益完善,在桥梁健康监测领域有广泛应用。基于此,本文做出以下主要研究:(1)针对斜拉桥的结构特性,同一截面或相邻节点保持高度的关联性,因此传感器采集的有效数据段也应伴随着节点保持较高的关联度,反之则是无效的数据段,本文对马桑溪大桥2006年3月~12月挠度传感器连续数据段进行特征分析,计算节点之间的灰色关联度,将数据样本分为有效数据段、一般有效数据段和无效数据段。并提出了结合3?、局部异常因子LOF和孤立森林三种异常点检测算法对标签数据进行可信度分析,置信度较高。(2)通过筛选对比,选择DNN和DBN网络对标签数据进行训练。对DNN网络进行学习率、激活函数等选择,并通过实验确定DNN的隐藏层数和对应神经元数量,在对样本数据的预测中,准确率达到82.5%,对DBN网络进行学习率、激活函数等选择,并通过实验确定RBM的数量和对应神经元的个数,在对样本的预测中,准确率达到85.59%,最终选择DBN网络模型。(3)针对DBN在预测斜拉桥挠度传感器数据段可能出现的参数陷入局部最优,导致学习效果不佳的问题,分析了萤火虫群优化算法(GSO)的搜索能力强,收敛速度快的优势,提出了GSO-DBN改进网络模型,经过实验,每层RBM的收敛效果更佳,对样本数据的预测准确率达到了92.47%,比DBN网络模型高出6.88%。(4)随机抽取马桑溪大桥2006年1月和2月的20个数据样本,投入到设计好的GSO-DBN网络模型中,准确率达到95%,相比其他几种模型,准确率较高。