传统的机器学习方法在桥梁损伤识别方面有丰富的研究成果,基于深度学习的深度神经网络与传统的机器学习方法相比有较大优势。然而,基于深度神经网络开展桥梁损伤识别的研究还比较少,因此选择了卷积神经网络与循环神经网络等深度神经网络进行桥梁损伤识别研究。主要研究内容如下:1、基于某斜拉桥有限元模型,应用CEEMDAN方法与Hilbert变换方法对有限元模型加速度响应进行损伤特征提取,最后基于提取的损伤特征构建了包含不同损伤特征的桥梁损伤样本库;2、构建了联合CNN&LSTM的深度神经网络模型,将构建好的深度神经网络模型应用到有限元损伤样本库进行训练、测试,同时对比得出组合特征为最优损伤特征,最后将最优损伤特征应用到CNN、LSTM、MLP三种深度神经网络模型中,结果表明,利用组合特征构建的损伤样本库能较好地反映桥梁损伤状态,所构建的深度神经网络模型也能较准确地识别桥梁损伤状态,在实际应用中具有较大潜力;3、基于某斜拉桥振动台试验的实测数据,构建了最优损伤特征的桥梁损伤样本库,然后将联合CNN&LSTM的深度神经网络模型应用到实测损伤样本库,最后对比了CNN、LSTM、MLP三种深度神经网络模型在实测损伤样本库的表现,结果表明:联合CNN&LSTM能够较准确地识别斜拉桥振动台模型桥梁的损伤状态,具有较大的实际应用价值。