基于结构振动信号的结构物理参数的识别方法是结构无损检测的重要研究发展方向。在结构物理参数时域识别方法中,最小二乘法(LSE)和扩展卡尔曼滤波方法(EKF)已经得到广泛的研究发展。然而,最小二乘法需要观测包括位移、速度和加速度在内的所有自由度的结构响应,这在应用中并不实际。扩展卡尔曼滤波方法可仅观测结构的加速度响应,但由于扩展向量中同时包含了结构的物理参数(刚度、阻尼等)及结构状态(位移和速度),参数向量和状态向量之间的非线性耦合会给计算结果带来偏性影响,使结果出现不稳定或不收敛的情况。同时,扩展向量较大的维数会增加计算工作量,降低计算效率;在要求将计算程序嵌入微型芯片运算的结构智能损伤识别中,这不但会浪费有限的储存空间还会提高能耗。此外,由于扩展卡尔曼滤波方法是用直到k+1时刻的观测信息估计k+1时刻的结构状态,因此扩展卡尔曼滤波方法要求观测作用在结构上的外激励,而这在实际中往往是不能实现的。　　 为解决扩展卡尔曼滤波方法的不足,鉴于卡尔曼预测估计方法可以用直到七时刻的观测信息估计k+1时刻结构状态的优点,本论文提出了结构状态X和结构参数θ分开识别的两步卡尔曼预测估计方法。通过将结构状态X看作是关于结构参数θ的隐函数,将非线性的观测方程通过Taylor展开线性化后,对结构参数θ和结构状态X分别采用卡尔曼预测估计方法进行识别。最后,在结构参数θ和结构状态X已识别情况下,用最小二乘估计方法识别作用在结构上的未知外激励。数值算例验证了提出方法的可行性和准确性。　　 为解决大型结构中自由度多,需要识别的参数多的问题,本论文引入了子结构的方法,通过将大型结构划分为若干个子结构,结合提出的两步卡尔曼预测估计方法分别对子结构进行识别。同时,针对相邻子结构界面自由度响应不观测情况,给出了子结构间传递力的计算方法。通过数值算例与实验验证了提出方法的可行性和准确性。　　 现实结构往往是非线性的,结构的损伤形式也往往表现出非线性。对于复杂的非线性行为,一般很难用特定数学模型去描述。针对结构非线性的无模型问题,本论文在前人研究基础上,结合等效线性模型思想,提出了一种无模型的非线性系统识别方法。首先,将非线性模型等效成线性模型,用提出的两步卡尔曼预测估计方法识别出结构等效线性参数出现变化的位置以确定结构非线性作用出现的位置。然后,在假设的线性结构基础上,将非线性作用视为未知的“虚拟激励”作用在线性结构上,并用最小二乘估计识别所添加的“虚拟激励”,以此识别出损伤或非线性作用的类型。通过数值算例验证了所提出方法的可行性和准确性。