混凝土结构出现损伤的最常见情况就是裂缝，判断结构是否出现损伤以及损伤位置和程度已经成为了研究热点。在已有的损伤检测方法中考虑线性因素的较多，但是在结构的实际使用过程中，非线性因素一直影响着损伤识别的精度。结构在出现裂缝后，由于裂缝在振动过程中的“张合”，使结构的刚度不断发生变化，这也使得结构的非线性较为明显。如何采用合理的模型模拟结构出现裂缝后的动力性能显得更加重要。本文首先介绍了土木工程损伤识别的背景及意义，并详细列举了现有的损伤识别方法，并对智能检测的国内外研究现状进行了详细介绍。在现在已出现的识别方法中，在建立模型时大多是考虑以线性因素为主的影响，但是在实际结构工程中，结构中存在着大量的非线性因素，如由应力应变本构关系引起的材料非线性，弹性大变形引起的几何非线性，约束边界条件变化引起的边界非线性等。其次介绍了信息熵的基本理论及相关性质，并定义了小波时间熵，介绍了相关的计算方法。以单自由度系统为例，计算在脉冲激励作用下线性系统和非线性系统的加速度响应，计算其对应的小波时间熵值，并以此作为分析指标。通过分析比较单自由度系统加速度响应的小波时间熵曲线，运用小波时间熵很好地识别单自由度系统的非线性及非线性程度。本文在简支梁数值模拟中，建立考虑“呼吸”效应的裂缝模型。裂缝在振动过程中的“开合”影响简支梁刚度，并由此加强了钢筋混凝土简支梁的非线性。本模型以接触的几何非线性模拟实际使用过程中简支梁的裂缝开合情况，算得简支梁在脉冲激励作用下的加速度响应，并计算出相对小波熵值,通过熵值曲线可以有效判断简支梁是否发生损伤，并且能大概判断损伤的位置及损伤程度，但是其缺点是不能准确定位及定量确定损伤程度。最后，为了能够准确的判断简支梁的损伤位置及损伤程度，本文构建了BP神经网络，利用BP神经网络较强的非线性能力以及容错性进行判断。当不同深度裂缝出现在不同位置时，采集各节点的加速度响应，并计算损伤梁对应完好梁的相对小波熵值，以此作为输入来训练BP神经网络。从识别结果来看，通过BP神经网络能够精确确定损伤位置及有效的定量确定简支梁损伤的程度。