随着国民经济和科学技术的高速发展，我国兴建了数量众多且越来越大型化的混凝土结构的水利工程建筑物。大量水工建筑物兴建之后，工程的维护运行成为了管理人员的主要任务。如何保障大跨度的渡槽、桥梁等重要建筑物的安全运行;如何实时动态地进行结构健康监测、损伤评价为维修加固提供参考成为了当今水利人应该考虑的问题。水利工程运行管理工作涉及范围广泛且十分繁杂，包括风险预测控制、结构健康监测、结构损伤评价等各个方面。鉴于此，本文仅以水利工程运行期间风振控制中的风速预测和混凝土出现裂缝病害时的结构损伤评价两个方面为研究对象。选取这两个方面为研究对象是基于下面的情况:　　 (1)水工建筑物运行中的预测控制，其前提就是预测。为了真正发挥建筑物的价值，就要求能够预测结构在运行过程中发生的风险，其中荷载预测是结构控制的重要方面，而风荷载又是结构荷载预测控制的重点和难点。我国每年由于大风导致建筑物的破坏很多，只有真正的做到风速的准确预测，才能对其进行有效的控制，这样就对风速的预测精度提出了较高的要求。由于风速具有随机性、波动性和间接性的特点，传统风速预测方法（如:持续法和时间序列法等）的预测效果难以令人满意。　　 (2)水工建筑物在使用过程中，随着使用时间的增长，结构物必然会产生老化、病害等问题，从而结构的维修加固成为一个重要工作。基于全寿命周期成本的考虑，那就要求首先了解建筑物的损伤程度，然后再确定建筑物是否需要维修。由此可见，结构损伤程度的评价是一个重要的过程。但是由于水利工程建筑物众多，例如大型灌区，人力资源有限，基层管理工作人员的专业素质不高等因素的限制，很难识别建筑物的损伤程度。又由于我国处于地震多发区，每年由于地震造成建筑物的破坏很大，震后要对一些重要工程，如渡槽、桥梁等，必须快速的判定其结构的损伤程度，为修复加固提供重要依据，并尽快使其恢复正常的供水和交通。如何找到一种既简单又实用的方法解决这个问题呢？传统的结构损伤诊断大都是基于模态分析获得的，而基于此的诊断方法很难达到快速诊断结构损伤程度的目的。　　 作者在研究大量国内外文献的情况下，针对当前风速预测精度低和混凝土裂缝损伤检测效率低的问题，本文采用智能算法为主要的技术手段来解决上述问题，具体如下:　　 (1)风速采用智能算法中的人工神经网络模型(BP和RBF预测模型)和SVM模型进行预测研究，并与传统方法ARMA模型进行比较，实例证明:智能算法要好于传统方法;　　 (2)本文提出利用混凝土裂缝与结构损伤之间存在的相关关系，采用基于数字图像处理技术的，应用智能算法(TAM神经网络模型和PSO-SVM评价模型)对混凝土面板裂缝的损伤程度进行评价，以此评价结果作为基层人员维修加固建筑物的重要参考。实例证明:智能识别算法既简单又快捷，只需要对结构的裂缝进行图像采集，然后导入自动识别系统中，既而给出结构损伤程度的评价结果。　　 本文根据现场实际采集到的风速数据和混凝土面板裂缝图像数据，对风速预测和裂缝损伤评价的智能算法模型进行了研究，并对风速预测模型与裂缝评价模型的效果进行了分析比较。研究的具体内容如下:　　 (1)介绍了当今流行的主要智能算法，并阐述其基本原理;　　 (2)介绍了风速预测的模型方法:传统方法ARMA模型和智能算法(BP模型、RBF模型、SVM模型)，并建立了其风速的预测模型;　　 (3)对风速预测结果进行比较分析之后得出SVM风速预测模型不仅预测精度高而且比较稳定，并在此基础上提出了该模型的改进方向;　　 (4)介绍了裂缝图像处理的相关技术算法及其模式识别的智能算法(TAM神经网络和PSO-SVM评价模型);　　 (5)在二值化图像基础上提取了裂缝特征向量，建立了TAM和PSO-SVM评价模型，通过比较分析得出TAM诊断模型具有较强的鲁棒性和较高的正确识别率;　　 (6)总结本论文的相关工作及其不足之处。