结构的模态参数作为结构动力分析的基础,其在结构设计验证、损伤识别和安全评定等方面有着重要应用,结构模态参数识别一直是结构健康监测领域的研究热点之一。目前的模态参数识别方法中,随机子空间法因其诸多优点在实际工程中得到广泛应用,但是该方法在参数识别过程中需要大量的人工参与,不仅使得识别结果可能存在主观性和差异性,而且费时费力,不利于实现实时在线的结构损伤识别和安全评估。针对该问题,本论文提出并研究了一种结合密度聚类算法的模态参数自动识别方法,主要研究内容如下:首先,给出了线性状态空间模型、协方差驱动随机子空间法、稳定图等基本理论,分析了出现虚假模态的原因。通过对两个数值仿真模型演示了典型的稳定图形态和模态参数识别过程,同时指出稳定图中存在大量虚假模态。针对该问题论文给出了两阶段虚假模态剔除方法,在第一阶段,使用软标准和硬标准区分真假模态,在第二阶段,基于物理模态的稳定性剔除虚假模态,该方法可剔除绝大部分虚假模态,为后续自动模态参数自动识别奠定了基础。其次,定义了一种新的模态距离来衡量模态之间的相似性,该距离可以有效区分不同模态;介绍了三种密度聚类算法的基本理论,通过两个数值仿真算例对三种算法进行了对比分析。结果表明,三种自动识别算法不仅能够较好地识别结构的模态参数,而且识别结果具有较高的一致性。从识别效果看,也明显优于人工识别。其中提出的一种新的聚类算法,无需对所有点进行聚类,理论更加清晰,计算过程更加简单,相比于另外两种算法,计算效率也有所提高。最后,将三种自动识别算法分别应用于三个实际工程结构:ASCE的Benchmark框架模型、某斜拉桥和地震余震作用下的砌体建筑结构,进一步验证了三种算法的准确性、鲁棒性和实用性等。识别结果表明上述方法在传感器中附加噪声、部分传感器失效、外部激励完全不满足白噪声假定等情况下均能保证良好的识别效果,同时识别过程中无需对自动识别算法进行任何调整,证明了算法的通用性,实现了模态参数识别的全自动化。