本文综述了结构损伤识别领域的研究现状和发展趋势,阐述了基于结构振动特性的模态参数识别方法,并论述了基于支持向量机方法的基本原理与算法。文中将模态分析技术和模式识别方法相结合,提出了基于支持向量机和结构动力特性的损伤识别方法,通过数值算例和试验分析表明,该方法克服了传统方法的缺陷,提高了损伤识别的精度、系统性、效率及鲁棒性。详细介绍了结构损伤识别动力指纹类方法的理论基础;构造了模态柔度矩阵对角元的相对变化量和模态曲率改变量作为损伤识别指标;通过数值仿真算例说明了该方法的识别过程和步骤,并对这两种指标的识别效果、抗噪性能进行了探讨;对一个钢梁进行了损伤试验,采集损伤前后的试验模态数据,针对各种损伤工况,采用模态柔度矩阵对角元的相对变化量指标和模态曲率改变量指标对结构的损伤进行识别。识别结果表明:这两种指标对损伤结构特征均具有较好的敏感性;模态曲率改变量指标用于结构损伤识别的抗噪性能较差,该方法用于实际工程结构的损伤识别还存在困难;利用模态柔度矩阵对角元的相对变化量指标进行结构损伤的识别具有良好的抗噪性能,将该指标运用于实际工程结构的损伤识别具有一定的可行性。基于统计学习理论的支持向量机方法是模式识别的方法之一,将支持向量机分类方法应用于结构损伤识别领域,能够克服神经网络方法带来的网络结构难以确定的问题、过学习与欠学习问题、局部极小点问题等,并且该方法在小样本情况下仍能得到良好的识别性能。数值仿真算例表明:用模态柔度矩阵对角元的相对变化量指标组成的训练样本能够很好的训练支持向量机分类模型的网络,并对结构的单损伤位置和损伤程度有较高的识别性能;通过对支持向量机方法抗噪性能的探讨,表明利用支持向量机进行结构损伤识别具有良好的抗噪性能。将前面的研究成果运用于试验,对钢梁试验模型进行损伤识别,在小噪声水平下,识别结果与试验现象基本吻合,表明该方法在结构损伤识别领域具有较好的发展前景。最后对全文的主要工作和研究成果进行了总结,并指出有待进一步改进和研究的方向。