结构健康监测系统(Structural Health Monitoring,SHM),是评估现有结构安全性和系统性能的一种实用工具,结构损伤识别已成为结构健康监测系统的核心内容。然而,如何从结构响应中提取具有损伤敏感的特征已成为一个具有挑战性的问题,故深度学习方法能够有效地从原始数据中高效地提取高层次的抽象特征而受到越来越多的关注。本文提出了一种基于变分自编码神经网络(Variational Auto-encoder,VAE)的损伤检测方法,它是无监督学习中最重要的生成模型之一。在本文中,提出了用变分自编码神经网络来处理结构的响应信号,它能够将高维的数据特征压缩到低维的特征空间,然后从低维特征空间恢复原始数据,所以这种结构迫使VAE去挖掘隐藏在复杂数据背后的必要特征。由于变分自编码网络是无监督学习模型,故不需要提前将原始数据进行分类,直接分析结构的实测响应数据。利用此特性,我们将VAE应用于移动荷载作用下桥梁的损伤识别。通过数值模拟分别进行了单损伤和双损伤不同位置的检测,又加以实验进行验证,将测得的加速度响应数据放入变分自编码中训练,通过不同的数据类型来建立不同的VAE网络结构模型,最终得到损伤识别结果。对最终结果进行分析,可以证明所提出的方法在不同的移动荷载质量、不同的移动速度以及不同的损伤程度下,都能准确地识别不同位置的损伤,能有效地处理SHM系统中的海量数据,不需要原始结构的无损数据,对SHM实际工程的应用具有很好的研究价值。