为了保证大跨悬索桥的正常运营及结构安全，对实时运营过程中的桥梁进行有效且及时的安全状态评估与预警是非常关键的。桥梁实测信息的典型特征就是多源且数据量大，急需寻找适配的数据分析手段对其进行处理，以开展多源数据融合、特征工程、模式识别等工作。对于大跨径钢箱梁悬索桥，由于其作为柔性体系的结构特征，以及钢材良好的热敏性，导致钢箱梁悬索桥在温度作用下会产生较大的结构响应变化，需对其信号进行分离，具体分析温度对悬索桥结构的变形和内力变化的影响。考虑背景桥梁所处环境的多样性以及多尺度的温度作用，结合大量监测数据与悬索桥有限元模型计算结果，为悬索桥设定多级别阈值线，选取合适的机器学习算法对实测数据进行预测，实现桥梁健康监测系统精准、有效预警的目标。本文的主要内容与研究成果如下：
　　首先，针对悬索桥实测数据温度效应分离研究中，变分模态分解（Variational Mode Decomposition，VMD）所存在的端点效应，本文提出采用三段交叉信号分解方法将其消除，考虑模态个数（K）、惩罚因子（α）对VMD分解效果的影响，形成了基于优化VMD的温度效应分离方法，应用于悬索桥实时数据处理分析中。研究表明，优化的VMD算法可以成功分离出信号中的温度效应，通过分析各个模态与实测温度的关联性，证明温度效应主要集中在低频段，悬索桥结构响应变化主要受温度影响。验证了该方法分离温度效应的有效性，可用于桥梁长期健康监测的数据分析。
　　其次，针对钢箱梁悬索桥对温度有较高的敏感性，利用ANSYS建立局部钢箱梁模型，分析不同日照强度作用下的钢箱梁温度分布情况及温度应力变化。得出结论：日照作用下，钢箱梁的竖向及横向都产生了不均匀的温度分布，不均匀的温度分布又导致了不均匀的应力分布。
　　然后，结合实测温度与挠度数据，分析多尺度温度作用对挠度的影响，得到不同季节下温度与挠度的线形关系；基于Midas/Civil建立悬索桥全桥模型，计算不同塔梁温差、缆索温差以及钢箱梁温差作用下的挠度变化，并根据有限元计算结果以及规范规定的钢箱梁悬索桥挠度\应变极限值，为背景桥梁不同截面的挠度/应变设定多级别的阈值线。
　　最后，针对长短时记忆网络（Long Short Term Mermory network,LSTM）无法有效进行长时间预测的问题，提出一种改进后的长短时记忆累加模型（N+LSTM）。以优化VMD方法提取的挠度/应变趋势项作为N+LSTM预测模型的输入，得到规定长度的趋势预测结果，根据预测结果与阈值线之间的接近程度，判定报警级别，实现桥梁结构损伤出现之前预报警的目标。