随着科学技术的发展,损伤识别的方法不断推陈出新。近年来,利用智能计算方法对结构进行损伤识别逐渐成为研究热点,该类方法主要研究如何处理结构健康监测系统中的海量数据。然而,现有的优化算法通常存在寻优效率低、易陷入局部最优等弊端。因此,当这些算法被应用于损伤识别领域时,就必然会造成识别效率和精度的降低。此外,在实际工程中,所测得的信号难以避免存在大量噪声,这些噪声的干扰同样会使损伤识别的精度下降。针对这些问题,本文对群智能优化算法以及信号处理方法展开了研究,以探究更有效的结构损伤识别方法。主要的研究工作及取得的成果如下:（1）针对基本鲸鱼优化算法求解精度低、易陷入局部最优等缺点,提出了一种联合折射反向学习策略与樽海鞘算法搜索机制的鲸鱼优化算法（RSWOA）,该算法旨在克服原算法的不足,以期在一定程度上增强其寻优能力。通过23组不同类型的基准测试函数对所提的RSWOA算法进行寻优测试,同时加入粒子群优化算法、灰狼优化算法等多种优化算法进行对比。结果表明,RSWOA算法无论是在收敛精度还是速度上都强于其他对比算法,并且适用于求解高维度的函数优化问题。（2）提出一种新型的结构物理参数识别方法,该方法融合了RSWOA算法以及Newmark积分法。为验证该方法的适用性和有效性,进行了两部分试验研究。首先,将所提方法在不同条件下对两个仿真框架结构模型进行了参数识别,结果表明,在测量数据不完备的情况下,所提的方法能够精确地识别出结构的刚度,质量和阻尼的大小。其次,利用该方法准确识别出了实验室七层钢框架模型的刚度,进一步验证了所提识别方法的有效性和稳定性。（3）提出一种新型的两阶段线性框架结构损伤识别策略:第一阶段,联合变分模态分解（VMD）和独立分量分析技术（ICA）对结构的原始响应信号进行处理,实现对结构损伤的初步定位;第二阶段,将结构信号按损伤时刻分段,并利用RSWOA算法对损伤前后的结构参数进行识别,完成对损伤的精确定位以及损伤程度的估计。利用三层数值仿真模型和实验室七层钢框架模型验证了所提策略的可行性。