桥梁结构健康监测是一种多参数的监测，是保障桥梁正常运营的必要手段。桥梁的静态结构参数，蕴含的桥梁结构信息丰富，具有数值波动不规则、无明显周期性、样本分布不平衡等特点，利用机器学习的方法建立桥梁结构健康分类模型，获取反映桥梁实际结构的动静力行为并对桥梁结构状况进行评估。近年来静态监测数据量增大、更新速度快，因此建立传统的监督分类模型需要大量的标记样本。若将复杂的桥梁结构监测数据一一标记则需花费大量的人力和物力。半监督学习利用大量未标记数据和少量已标记数据进行模式分类，即吸纳了监督学习带来的分类性能上的优势，又达到样本标记代价上的平衡，因此建立基于半监督学习的分类模型可以有效的解决这一问题。本课题以桥梁结构监测与评估问题为研究应用背景，以半监督学习的协同训练风范为理论基础，主要做了以下几个方面的工作：1.综述了桥梁结构健康监测领域的研究发展现状，根据归纳了桥梁结构参数的数据特点，阐述了桥梁结构健康监测数据分析理论及方法；2.对半监督学习所涉及的理论基础及相关工作进行了研究，并重点对现有协同训练算法进行了深入的分析和讨论，以便后文对算法进行相应的改进研究；3.提出了一种基于差异性策略的半监督协同分类算法，在UCI标准数据集上的实验结果表明，与原始的协同训练算法相比，该算法的分类精度更高，泛化能力更强；4.结合桥梁实测的静态数据，构建桥梁结构特征样本并建立了桥梁结构健康半监督协同分类模型。实验结果表明半监督协同分类模型适用于桥梁结构数据的分析，具备一定的实用价值。通过与监督算法和其他半监督学习算法的分类错误率比较，进一步证实了本文提出的算法的分类性能的优势。5.基于实验结果总结了建立桥梁分类模型在选取样本容量、未标记样本比率、分类器选择等原则，为相关部门对大桥做出整体的结构健康评估提供建议。6.在WEKA中开发了半监督学习模块并完成了半监督协同分类模型的软件实现。