螺栓连接是钢桁架结构中广泛采用的一种连接形式。当钢桁架结构受到振动、冲击等外界作用时,其各节点螺栓连接状态往往会发生改变,出现松动、脱落或疲劳断裂等现象,从而会破坏结构的完整性,危害结构的可靠性和安全。传统基于接触测量的螺栓松动检测方法通常需要将传感器固定在被测螺栓位置附近才能进行检测,这对于节点和螺栓数目都十分庞大的钢桁架结构来说不太容易实现。目前普遍采用的人工听声音和肉眼观察的办法尽管有效,但无疑会费时、费力、效率低,且存在较大安全隐患。近年来随着人工智能和无人机技术的发展,通过教会计算机“听”和“看”的方法识别结构损伤为解决钢桁架螺栓连接损伤在线识别问题提供了新的研究思路。本文针对传统螺栓松动和脱落检测方法所存在的问题和不足,综合运用阵列信号处理、信息融合、机器学习、深度学习等理论,基于计算机听觉、计算机视觉和无人机等先进技术,开展复杂环境下钢桁架结构螺栓连接损伤检测研究,构建了基于计算机听觉与视觉技术的钢桁架结构螺栓连接损伤检测方法,以实现复杂工作条件下钢桁架结构螺栓连接损伤智能检测。本文的主要工作和成果如下:（1）开展基于声音信号的钢桁架结构螺栓松动预警研究,提出了基于支持向量机与遗传算法的钢桁架螺栓松动预警方法。首先对预先设定的损伤和未损伤2种工况声音信号进行时域特征和小波包频带能量特征提取,然后运用支持向量机递归特征消除法进行敏感特征选择,并将其输入到支持向量机模型中进行训练,同时结合遗传算法进行参数寻优,最终得到最优的识别模型。利用该模型便能实现快速准确判别检测信号是否为螺栓松动损伤信号。通过钢桁架结构螺栓松动试验研究表明,该方法具有较强的实用性,能在较少的训练数据集的情况下达到较好的识别效果。（2）将计算机视觉中的深度学习图像分类技术用于螺栓松动声音识别,提出基于小波时频图与轻量级卷积神经网络Mobile Netv2的螺栓松动识别方法。通过对预设的16种工况采集到的声音信号进行预处理和连续小波变换得到小波时频图,以小波时频图作为样本对轻量级卷积神经网络Mobile Netv2进行训练得到鲁棒的识别模型,进而利用该模型实现对螺栓松动损伤声音信号的准确识别。通过钢桁架试验研究表明,该方法充分发挥小波时频分析在处理非平稳信号方面的优势和Mobile Netv2强大的图像分类能力,能实现对不同环境噪声、不同损伤位置和损伤程度的螺栓松动声音信号的精准分类识别。（3）开展基于声音信号的钢桁架结构螺栓松动损伤定位研究,构建了ODBSRP-PHAT快速声源定位方法,提出基于证据理论的多帧目标信号分析结果融合决策方案。ODB-SRP-PHAT方法的思路为,进行在线定位之前,首先利用峰值密度聚类方法准确找出所有可能是声源的位置以构建声源位置信息离线数据库ODB,在搜索阶段只对ODB中的位置进行搜索,从而大大减少搜索的计算量。仿真试验和现场实测表明该方法能有效克服传统方法计算量过大而不利于在线定位的缺点。基于证据理论的多帧目标信号分析结果融合决策方案,是将ODB-SRP-PHAT方法与证据理论相结合,对不同帧信号经快速声源定位方法分析得到的结果进行融合处理。钢桁架结构螺栓松动试验研究表明,ODB-SRP-PHAT能够显著降低计算量,最大限度地节约计算成本,融合决策方案具有较强的抗噪性和鲁棒性,即使在信噪比很低的情况下也能准确识别损伤位置。（4）将计算机视觉目标检测技术应用于螺栓脱落检测,提出了基于无人机与改进YOLOv4目标检测技术相结合的螺栓脱落智能检测方法。通过采取轻量化网络结构、数据增强和先验框调整等措施对原YOLOv4目标检测方法进行改进,从而大大缩减了原网络结构的计算参数量,加快计算速度,降低模型部署成本,有利于将模型与无人机相结合实现螺栓脱落实时检测。通过钢桁架结构螺栓脱落试验研究表明,该方法具有准确率高、识别速度快、且泛化能力强的特点,能实现对钢桁架结构螺栓脱落的智能检测。