建筑结构的损伤识别一直是人们广泛关注的问题。目前世界各国土木工程结构在服役过程中，不可避免地受到环境荷载、疲劳、腐蚀、老化等因素的影响，必然产生损伤累积，从而使这些建筑结构存在重大隐患。因此，对结构性能进行监测和识别，及时地发现结构的损伤，对可能出现的灾害提前预警，评估其安全性已经成为土木工程项目建设的必然要求，也是土木工程学科发展的一个重要领域。 对结构损伤进行识别可以看作是一个模式识别课题，即抽取结构物的特征信号，然后对其进行识别分类。本文从传感器获取的结构物信号入手，利用机器学习、数据挖掘和统计学习理论，建立基于独立分量分析的结构损伤识别构架，以实现对结构物是否损伤及损伤级别的准确判定。主要的研究工作如下： (1) 分析了主成分分析方法能去掉结构物信号间的相关性、过滤掉噪音对信号的影响，从而有效地对结构物的特征信号进行提取。提取的准确率依赖于累计贡献率的选取，所以要结合结构工程领域的特点，设置合适的累积贡献率。实验表明99％的主成分累计贡献率能很好地识别是否损伤以及损伤的级别。 (2) 利用独立分量分析对信号提取特征。由于独立分量分析保证了结构物信号的独立性，所以它比主成分分析的识别效果更准确。采用的Fast-ICA算法能有效地提取结构物特征，所提取的独立分量在识别过程中效果良好，并且性能稳定。 (3) 在分析BP网络的缺陷的基础上，将独立分量分析与人工神经网络结合起来，建立了基于ICA-ANN的结构损伤识别模型：通过ICA提取结构损伤信号，然后处理后的独立分量作为ANN的输入，对结构损伤进行识别。其中给出了详尽的方法来解决神经网络中的收敛速度慢、局部最小化、过度适合等问题。实验表明该模型能有效地对结构的损伤和程度进行识别，验证了方法的有效性。 (4) 因为支持向量机是以结构风险最小化为原则、建立在严格理论基础上、具有良好的控制推广能力的学习机器，所以建立的模型更可靠。本文将ICA和SVM结合起来，建立了基于ICA-SVM的结构损伤识别模型，通过ICA提取结构物的特征信号，然后将它作为SVM的输入，来对结构损伤进行识别。实验表明该方法能有效地对结构的损伤和程度进行识别，验证了方法的有效性。 (5) 把小波分析作为ICA-ANN或ICA-SVM的信号数据的预处理，能保持信号中的不同频率的特点，使得预测结果准确；尤其当处理多分辨率信号的时候，