传统的结构识别研究都是基于单个有限元模型，然而在实际应用中，由于测试中的测量误差和建模中的模型误差的存在，单个有限元模型不能解释全部的试验数据不确定因素所带来的影响。本文根据误差补偿原理，基于贝叶斯统计理论进行多模型结构识别，即利用多个有限元模型预测测试结果的准确性，从而更准确地进行结构状况评估与响应预测。在基于贝叶斯统计理论的多模型结构识别方法中，首先假设先验分布为正态分布，以蒙特卡洛模拟方法(MC)生成有多个有限元模型的模型群，根据试验测试结果和有限元模型分析结果之间的误差确定似然函数值，由贝叶斯公式得到各模型的后验分布，再由各模型的后验分布求边缘分布得到各模型碎片的后验分布。本文运用基于贝叶斯统计理论的多模型结构识别方法，对一根简支梁算例和一座实测大跨度钢管混凝土拱桥进行了研究。在简支梁的结构识别中，以其弹性模量为模型碎片，分别给其中两个单元施加一定的损伤。使用多模型方法的参数识别结果误差均在合理范围内，参数识别的最大误差为3％。在来华大桥结构识别中，以混凝土拱、钢拱、桥面板、人行道板标准化弹性模量和人行道板标准化厚度为模型碎片，用上述方法分别得到有限元模型群、各模型的似然函数值和后验分布以及各模型碎片的后验分布，并且将来华大桥的多模型结构识别结果与使用人工智能算法的识别结果进行了对比，两种方法识别结果比较接近。在上述两个算例中，观察两种模型分析过程中的后验概率统计和模型误差的分布图，基于贝叶斯统计理论的多模型识别方法可以有效地筛选出发生误差的不良模型，提高识别的效率，从而可以更有效地减少单个模型的不准确性，能很好地进行结构状况识别。