超高层建筑与大跨度桥梁结构的模态参数识别是结构健康监测领域的一个重要研究课题，基于现场实测信息，实时了解这些结构的真实模态参数变化对于保障结构的安全运营具有重要的意义。传统模态参数识别算法需要在同时已知输入与输出的情况下进行模态参数辨识，需要人为施加激励，易对结构造成损伤。而环境激励下的模态参数识别算法无需施加人为激励，在不影响结构正常运营状态下仅仅利用输出响应信息即可实现结构的模态参数辨识，但现有的算法在计算精度及效率方面仍需要进一步的研究与完善。本文基于多系统RTK-GNSS传感器监测信息，对结构的模态参数识别算法做了系统性研究，主要工作如下：
　　(1)研究了单系统、双系统及多系统RTK-GNSS背景噪声分布特性，提出了一种基于考虑相关系数的自适应噪声完备集合经验模态分解与小波包技术的联合数据滤波方法(CC-CEEMDAN-WP)。以一加噪仿真信号为例，信噪比与归一化均方根误差作为评价指标，分析了此联合滤波方法的降噪表现。结果显示，经CC-CEEMDAN-WP法处理后，信噪比从1.36增加到了10.21，归一化均方根误差从14.82%下降到了8.31%，噪声得到了有效的削弱。
　　(2)提出了一种基于数据驱动的随机子空间改进算法。该算法通过构造一个新矩阵F来获取QR分解中的R矩阵，在保证计算精度的同时，提高了计算效率，实现了模态的快速识别。通过一五层层间剪切模型对该算法的识别精度与计算效率进行了验证，结果显示，改进随机子空间算法的计算时间约为基本随机子空间算法计算时间的20%。基于RTK-GNSS监测信息，利用提出的改进算法对一座超高层建筑(天津117大厦)模态参数辨识问题展开研究，成功提取了结构的模态参数，与此同时，为了与识别结果进行对比分析，利用Ansys有限元分析软件建立了结构的三维有限元模型，得到了结构前六阶模态频率及相应的振型，结果表明：识别结果与有限元结果吻合较好。
　　(3)提出了多传感器多速率扩展卡尔曼粒子滤波(EKPF)、不敏卡尔曼粒子滤波(UKPF)及容积卡尔曼粒子滤波(CKPF)三种加权数据融合算法。这三种算法均具有两层结构，第一层中，利用EKPF、UKPF或CKPF算法获取每一传感器的局部估计值，第二层中，基于标量线性最小加权融合准则对不同传感器的局部估计结果进行融合，获取方差最小意义下的最优融合估计结果。对这三种算法，通过一三传感器控制系统与一五传感器目标跟踪系统验证了其可行性与有效性，并与单一传感器估计结果进行了对比，结果表明：基于上述三种算法所得融合估计结果与系统真实状态吻合良好，且均优于单一传感器估计结果。
　　(4)研究了集成多系统RTK-GNSS与加速度计的大跨径桥梁动态变形监测方法。提出对低采样率的GNSS信号与高采样率的加速度信号利用多速率加权数据融合算法进行数据融合处理，解决了GNSS传感器对高频信号敏感度低的问题，并以两座大跨径桥梁(天津市彩虹大桥与天津市永和大桥)为研究对象验证了算法的有效性。结果表明，基于GNSS监测结果仅可以识别出结构少量的低阶模态，而基于融合估计结果可识别出结构更高阶的模态信息。与此同时，建立了结构的三维有限元模型，得到了结构前十二阶模态频率及相应的振型，与识别结果进行对比分析，结果显示，两者吻合较好。