在土木工程的实际应用中,损伤往往只出现在结构的少数单元,与结构的所有单元相比,损伤单元在空间上是稀疏分布的。基于这一先验信息,并考虑测量噪声和模型误差的影响,本文提出了基于粒子群优化（PSO）的频域和时域稀疏贝叶斯学习的结构损伤识别方法,将频域识别方法用于识别室内非对称钢框架结构和有砟轨道道砟层损伤,时域识别方法用于识别板式无砟轨道水泥乳化沥青（CA）砂浆层损伤,通过数值分析和试验验证研究了所提方法在识别实际结构损伤的有效性和鲁棒性。为了验证基于PSO的频域稀疏贝叶斯学习方法的适用性,本文采用13单元框架结构模型和52单元框架结构模型的试验数据,成功识别了结构单损伤工况和多损伤工况的损伤位置和损伤程度。通过求解目标函数的海塞矩阵,得到损伤参数的后验协方差矩阵,进而评估了损伤识别结果的不确定度。通过分析超参数在迭代过程中的变化,揭示了稀疏贝叶斯学习方法最终求得稀疏解的原因。通过比较PSO算法和MATLAB优化工具箱中的序列二次规划（SQP）算法在识别结构损伤过程中的优化性能,证明了PSO算法具有更强的搜索能力和更好的鲁棒性。针对有砟轨道道砟层的损伤识别问题,本文采用了基于PSO的频域稀疏贝叶斯学习方法。基于所建立的有砟轨道模型,在数值分析工况中,道砟层损伤的识别结果和预设的损伤结果一致,单损伤工况的抗噪性分析表明所提方法具有较好的鲁棒性。在试验工况中,该方法也成功地识别出道砟层损伤,并评估了损伤参数的不确定性水平。针对无砟轨道CA砂浆层的损伤识别问题,本文提出了基于PSO的时域稀疏贝叶斯学习方法。基于实测加速度响应数据,通过板式无砟轨道CA砂浆层损伤识别的数值分析和实验验证工作,表明该方法能够识别将时域数据作为模型修正输入数据的实际结构的损伤。