损伤诊断是结构健康监测的重要组成部分之一,基于输入和(或)输出信息,识别系统物理参数(如刚度、阻尼和振型等)的数值变化,可对结构健康状态进行评估。但由于实际限制,测量信息包括结构响应和外部输入等往往无法全部有效观测。此外,结构损伤时表现出来的非线性行为具有复杂性、多样性等特征,大多难以通过某一具体的参数化模型描述或预测其非线性恢复力(Nonlinear Restoring Force,NRF),而基于多项式模型、幂级数模型等非参数化的NRF识别方法,其识别结果在非平滑处又存在振荡或识别精度不够的不足。为了解决上述存在的问题,本文基于卡尔曼滤波(Kalman Filter,KF),进行了如下几方面的方法研究:(1)提出了一种基于KF和递推最小二乘估计的时域系统状态估计和参数识别方法,并通过3种线性系统的数值算例,验证了该方法在全观测和有限观测下的结构参数识别和系统响应估计的可行性。(2)传统的KF需要已知外部激励,并且无法进行非线性系统的状态估计,为了改进这一算法,提出了一种有限观测下基于KF的结构状态和外激励联合估计法。通过引入投影矩阵,获得了修正的观测方程,从而递归估计了结构响应状态,同时,利用最小二乘原理,识别了未知外激励。文中采用若干线性和非线性结构数值算例验证了该方法的准确性。(3)全局响应往往对结构局部损伤不敏感,为便于更有效地评估结构状态,基于以上结构状态和外激励联合估计法,通过数据融合全局响应(加速度和位移)以及局部响应(应变),提出了一种基于KF的未知激励下的多尺度响应重构法,并通过数值结构模型验证了该方法的可靠性。(4)经典的扩展卡尔曼滤波方法(Extended Kalman Filter,EKF)可识别参数,但要求已知外激励,而以上基于KF的联合估计法无法识别结构参数,结合两种算法,通过将待识别的参数引入状态向量,利用投影矩阵,提出了一种基于EKF的结构参数和荷载识别方法,并通过线性和非线性算例验证了该方法的有效性。(5)为了减少非线性系统识别时对非线性模型的依赖性,基于以上结构参数和荷载识别方法,通过将结构NRF视作“伪外激励”,提出了一种NRF的免模型识别方法,并与基于幂级数多项式的NRF识别法进行了对比,通过几种不同的非线性数值算例验证了该算法的有效性。