目前，重大水工结构的健康监测受到了广泛的关注。结构健康监测的本质性任务是利用可测的结构响应信息去识别结构本身的刚度和承载力变化，从而指示出结构损伤位置和程度。怎样有效地提高这类反问题的算法效率和可靠性是结构健康监测的难点，也是我们关注的焦点。　　本文以二滩高拱坝为研究背景，旨在发展一种算法能有效地应用在高拱坝的损伤识别。通过神经网络模拟大坝荷载和响应之间的非线性关系，并结合无迹卡尔曼滤波方法对结构进行损伤反演。为大型水工结构损伤识别提供相关理论依据和技术支撑。　　（1）根据二滩拱坝工程资料以及相关文献确定模型的基本材料参数和边界条件，并通过ANSYS软件建立大坝有限元模型。分析大坝在组合荷载作用下的静动力响应，验证了模型可靠性。　　（2）本文结合神经网络代理模型和范数正则化方法，针对高拱坝等大型水工结构，提出了基于神经网络的无迹卡尔曼滤波损伤识别算法。分析过程中，将坝体合理分成若干子区域，以子区域的弹性模量折减来指示损伤，根据坝面节点灵敏度选择合理的测点。通过构造神经网络模型来拟合温度、库水位、弹性模量与结构的静力响应之间的非线性关系，最后无迹卡尔曼滤波算法进行优化计算。为了解决反问题求解过程中的不适定性，加入了正则化方法进行算法优化。神经网络具有良好的非线性拟合能力，将其引入能有效避免损伤识别过程中高拱坝有限元模型的反复调用，提高了计算效率。　　（3）考虑大坝运行过程中长期的温度和库水位变化情况，分析温度和损伤等参数对大坝静力变化的影响，根据结构的静力响应信息对边界条件时变情况下的高拱坝进行反演，得到结构的损伤位置和损伤程度等信息。　　数值结果表明，神经网络模型能准确拟合坝体响应与结构参数之间的非线性关系，基于神经网络的无迹卡尔曼滤波方法能有效应用于高拱坝的损伤识别，并具有良好的可靠性和鲁棒性。