地震是一种突发的自然灾害,往往会对建筑结构造成严重破坏。建筑结构的抗震设计和抗震措施是防灾减灾的有效手段,使用地震时程对结构进行动力时程分析是抗震设计中的常规方法,随着新型结构形式的提出和新材料的应用,结构变得更加复杂,对结构动力响应分析也提出了更高的要求,在地震作用下往往会产生非线性动力响应,传统的动力分析理论逐渐不能满足设计需求。同时人工智能理论不断取得突破,机器学习逐渐应用于工程领域的各个方面,解决了许多传统算法无法解决的问题,如果能将机器学习方法与结构动力响应分析相结合,一定会给结构动力响应分析效率带来大幅提升,为很多新型结构形式提供一种新的分析手段,进一步推动结构动力分析理论的发展,具有十分重要的工程意义。基于此,本文主要进行了以下研究:（1）GRU神经网络具有学习序列非线性特征的能力,本文提出了使用加指数滑动窗函数的GRU网络对结构非线性动力响应进行预测。对于带有非线性构件的结构,先通过三角级数法生成不同条件下的人工地震波,然后采用Simulink仿真方法计算出结构在地震作用下动力响应,通过对地震波和响应数据加指数窗得到神经网络的输入和对应的输出,以此作为训练集对网络进行训练,利用训练完成的加窗GRU网络模型预测对应结构的非线性动力响应。（2）数值子结构方法可以对非线性构件进行隔离单独分析,但对于非线性构件的分析仍然是传统方法,本文提出了基于BP神经网络的数值子结构方法,对于主结构采用线弹性分析,对于非线性构件进行隔离,通过BP神经网络对非线性构件进行分析。主结构传递的节点位移作为网络输入,预测非线性构件的子结构力并传递回主结构进行下一步计算。通过仿真或实验的方法得到非线性构件的节点位移和对应的子结构力,以此作为BP神经网络的训练集进行训练,利用得到的神经网络预测非线性构件的子结构力。（3）对于加窗的GRU神经网络模型,通过单自由度和多自由度带离合惯容器结构进行了验证,使用人工地震波作为输入进行预测,使用位移时程曲线进行定性评价,提出了使用决定系数和峰值响应误差对模型预测结果进行定量评价;对于基于BP神经网络的数值子结构方法,通过四层带离合惯容器框架结构进行了验证,并对子结构力进行对比,同时对时程曲线误差进行了分析。结果表明,本文所提出的方法能够对结构非线性动力响应准确预测。