随着传感器技术的快速发展,结构健康监测系统目前已广泛应用于土木工程领域,但如何从监测数据中有效提取得到有关结构状态的信息仍是一个十分重要、需要进行研究的问题。传统的损伤识别方法是以模态参数为损伤敏感特征的,但模态参数对局部损伤并不敏感,因此需要对局部结构进行建模从而获取损伤敏感特征进行损伤识别。但对于大型桥梁这样的具有非线性的结构,目前仍缺乏有效的、自适应的建模方法。同时损伤识别方法也常常受到温度等环境因素的干扰。为此,本文使用深度学习方法,对考虑温度影响的局部结构建模方法进行了研究。主要研究内容包括:研究考虑温度影响的基于循环神经网络的相关性建模方法。首先了介绍了使用时间序列模型描述线性结构动力系统的数学原理;然后分析了几种将输入输出模型转换为响应间输出相关性模型的情形;使用子结构思想挑选部分结构响应,并针对桥梁由于大变形出现的几何非线性行为,使用循环神经网络代替传统的线性时间序列建模方法构造响应之间的相关性模型;同时将温度也作为模型的输入,依托循环神经网络的特征提取能力来考虑到温度对相关性模型的影响。研究基于误差水平的损伤识别方法。使用模型的预测残差标准差来作为损伤敏感特征进行损伤识别;考虑到噪声对预测残差的影响,选择将数据分段并分别计算对应的残差标准差,从而形成误差水平,部分消除不确定性;通过与健康状态下的误差水平的对比即可判断状态发生了变化。以某桥的刚性铰应变数据为例对所提出的方法进行了验证。在对基准状态下的应变数据使用考虑温度影响的基于循环神经网络的相关性建模方法对刚性铰结构进行了建模,并使用该模型对未知状态下的数据进行了预测和对应误差水平的计算,通过与基准状态下的误差水平进行对比成功识别到了刚性铰由于边界条件改变而出现状态变化的情况,验证了方法的可行性。