结构系统的模态参数识别是结构健康监测的重要组成部分,主要通过结构振动响应数据如加速度、位移等分析得到。这些数据通常由安置在结构上的传感器获取,安装繁琐且耗时,监测也多有不便。近年来,随着图像数据采集和计算机视觉技术的发展,视频监测逐渐成为结构响应监测的一种高效方法。然而,目前结构视频监测技术一般要求使用高速相机在理想环境中进行,针对现实环境的适应性较差。针对以上问题,本文研究一种综合解决方案,提出了可使用消费级相机和无人机拍摄,适应包括复杂背景、光照变化、雾气遮挡、相机抖动、风干扰等多种环境干扰的计算机视觉分析新方法,实现高精度的结构模态参数识别。论文的主要工作和取得的新成果如下:（1）提出了应用消费级相机同步监测多目标动位移的技术方法。结构振动视频由智能手机采集,多个监测目标点由预定义的可重叠区域自动集合而成。应用时空上下文算法和特征光流算法,同步跟踪和获取所有监测目标点的高精度位移时程信息。通过小球模型扫频实验,并模拟光照变化,对比考查了本方法与常用特征光流算法的位移监测效果,验证了方法可行性。（2）提出了运动增强时空上下文算法,提高位移监测的鲁棒性。在常规时空上下文方法的基础上,对上下文区域内信息进行深层次挖掘,应用稠密光流算法计算运动趋势相似性并构建上下文影响矩阵,增强了时空上下文算法跟踪目标的鲁棒性。通过小球模型扫频实验,并模拟光照变化、雾气干扰和相机抖动,对比考察了本方法与常用特征光流算法和常规上下文算法的位移监测效果,验证了方法更强的抗干扰性。（3）提出了应用无人机视频进行现实环境下结构模态辨识的技术方法。针对无人机运动引起的相机动态移位问题,提出基于时空边缘检测的自适应比例因子更新方法,并结合运动增强时空上下文算法,实现了结构多点动位移的准确跟踪。继而应用数据驱动随机子空间方法,完成结构模态参数辨识。通过框架模型的白噪声激励实验,并模拟光照变化和风干扰环境,对比考察了本方法与常用特征光流算法在考虑/不考虑比例因子变化两种情况下的结构模态识别效果,并参考固定相机结果,验证了方法对于现实环境的适应性和识别鲁棒性。