位移是结构健康监测的重要指标,广泛用于评估结构的健康状况。考虑到传统位移传感器的局限性,近些年来,研究者们提出了大量基于视觉的方法来进行结构位移监测。与传统位移传感器相比,基于视觉的方法具有远距离、非接触、易部署、成本低等诸多优点。目前基于视觉的结构位移监测方法主要分为三个步骤:首先,通过相机标定方法获得二维图像与三维世界的映射关系,然后通过视频目标跟踪技术获取到目标建筑在视频中的像素位移,最后将像素位移投影到世界坐标系中,从而得到建筑物在真实世界中的物理位移。本文在对国内外研究现状分析后发现,目前的结构位移监测方法主要集中在建筑物的局部区域,无法很好地对建筑物的全局进行位移监测。因此本文对上述步骤中不适合于全局位移监测的部分进行了改进。首先我们改进了位移投影算法。在传统的基于单目相机的位移监测算法中,所使用的位移投影算法仅适合于建筑物的某个局部。受到计算摄影学的启发,本文提出了方向约束的全局位移监测方法,该方法的特点是能够在仅使用一台相机的情况下将具有单方向位移的建筑物的任意位置的像素位移投影到三维的世界坐标系中。为了验证该方法的准确性和鲁棒性,我们在具有倒Y形塔的大跨度斜拉桥上的振动台测试模型上进行了实验。实验结果表明,使用该方法监测到的桥梁位移与我们用位移传感器监测到的结果基本吻合,平均误差为1.674 mm,证明了该方法的准确性。同时我们还设计了两个对比实验验证了该算法具有较好的鲁棒性。其次我们改进了位移跟踪算法,研究了面向全局位移监测的轻量化光流网络。在使用基于深度学习的光流估计网络对建筑物进行全局像素位移监测过程中我们发现,随着视频分辨率的提高,光流网络对于显存的需求逐渐上升。而在实地使用时为了提高位移监测的精度,采集到的视频数据往往具有较高的分辨率,这就使得这类方法难以在真实场景中使用。为此,我们提出了三种优化形式:滑动窗口式、下采样式以及自适应ROI与mask分块式的轻量化光流网络。通过在合成数据集上的实验得出结论,自适应ROI与mask分块式的光流网络具有较少的显存占用和较快的推理速度的优点,并且还能够得到更精确的光流估计结果。为了验证这一方法在真实数据上的泛化性,我们在真实数据上进行了测试。实验结果表明,该方法与传统位移传感器结果的平均误差为3.145 mm。因此我们提出的方法的结果能够反映出建筑物真实位移情况。最后,我们将两种方法结合起来,实现了在仅有一台相机并且无需靶件的情况下,对具有单方向位移的桥塔进行了全局位移监测。通过本文提出的方法,我们在进行全局位移监测的任务中可以批量化处理建筑物的所有位置,而不是像过去的大部分研究一样需要逐点的监测。因此,本文提出的方法在理论和实践层面上都具有着一定的意义。