海洋中蕴藏着丰富的资源,是人类能源供应的重要来源,海洋平台是海洋能源开发必不可少的基础设施。在复杂多变的海洋环境下,海洋平台结构可能会由于疲劳或腐蚀等因素发生损伤,这些损伤若不能被及时发现,会引发严重的后果。目前,海洋平台的损伤识别研究主要是基于环境荷载进行的,使用模态分析方法从响应数据中进行结构特征的识别与分析。近年来,传统机器学习与深度学习方法快速发展,若能将这些智能方法应用于该领域中,必将大大提高海洋平台损伤识别的效率和准确率,从而提升平台结构的安全性。针对海洋平台健康监测智能化的发展趋势,本文将传统机器学习以及深度学习与海洋平台的损伤识别研究紧密结合,主要体现在三个方面。其一,在结构特征提取后,采用无监督降维方法对结构特征进行降维,将数据从高维空间映射至低维空间,并进行数据分布的可视化分析;其二,分别采用基于密度、基于聚类和基于单分类的异常检测技术,通过检测海洋平台监测数据中的异常点来判断结构的损伤;其三,基于生成对抗网络,提出NLS-GAN非线性系统特征变化识别网络,将深度学习方法融入海洋平台损伤识别中。这些方法对正常工况下的监测数据进行学习,在得到诊断模型后,可对新数据的损伤情况进行评估。同时,针对结构长期监测过程中的在线识别,给出在线学习的解决方案,并提出在线边界增量学习方法。该方法使模型从实时监测数据中不断学习更新,且可在保证模型精度的前提下减少数据存储压力,提高学习效率。对于以上基于传统机器学习或深度学习的损伤识别方法,本文使用二阶非线性动力系统仿真实验验证了方法的有效性,在仿真系统参数改变后,这些方法可以从系统的输出响应中发现系统固有特征的变化。对于提出的在线边界增量学习方法,本文对多种在线方法进行了比较,最终证明该方法可以取得最好的在线学习效果。本文还将提出的方法应用于浮式生产储油卸油(FPSO)单点系泊结构实际监测数据的损伤识别中,识别结果与真实情况吻合。