工程结构在受到外部极端荷载作用下,通常表现出较强的非线性特征。非线性结构又会表现出复杂的动力学行为,传统的基于线性假设的结构模型不能准确地反映出工程结构复杂的动力学行为。为解决现有结构非线性模型修正过程中存在的问题,如非线性特征指标选取困难以及优化过程较为复杂等,论文提出了基于结构动力响应主分量瞬时特征参数与改进生成对抗网络（Generative Adversarial Networks,GAN）的结构非线性模型修正方法。首先利用基于离散解析模式分解（Discrete Analytical Mode Decomposition,DAMD）的时变滤波器将结构动力响应信号分解成具有不同频率成分的主分量,并结合希尔伯特变换方法来获取结构动力响应主分量的瞬时特征参数,如瞬时频率和瞬时幅值。然后,将结构动力响应主分量瞬时特征参数作为改进GAN的输入数据,结构非线性模型的待修正参数作为输出数据,通过改进GAN拟合非线性结构振动响应瞬时特征参数与待修正参数之间复杂非线性函数关系。最后,将结构实测动力响应主分量瞬时特征参数输入训练好的改进GAN,即可输出修正后的结构非线性模型待识别参数。论文主要研究工作如下:（1）设计了基于DAMD理论的时变滤波器,推导了基于时变滤波器的单自由度时变非线性结构和多自由度时变非线性结构瞬时特征参数识别理论,并基于DAMD理论和希尔伯特变换方法对局部非线性结构振动响应的瞬时特征参数进行识别。（2）对传统GAN进行改进,提出了适用于结构非线性模型修正的改进GAN深度学习模型。在改进GAN架构中,通过引入代理模型的方式,增强网络中判别器对非线性结构各测点响应关系特征的学习能力,同时代理模型的使用也使得利用GAN解决结构非线性模型修正问题变得可行。为避免传统GAN存在的梯度消失问题,使用跳跃连接和密集连接等方式加强网络层之间的信息交流。通过引入组合目标函数,构建模型输入响应与输出参数之间的映射关系,实现网络训练。并将改进GAN成功应用于结构非线性模型修正,详细阐述了通过改进GAN进行结构非线性模型修正的原理及修正过程。（3）通过在地震激励荷载作用下的三层四跨钢框架结构以及十二层非线性框架结构两个数值模拟来验证论文所提出的结构非线性模型修正方法的有效性。同时考虑了不同水平噪声、不同瞬时特征参数的选取数量、不同测点数量等因素对其修正效果的影响,并与基于卷积神经网络（Convolutional Neural Networks,CNN）的结构非线性模型修正方法进行对比。结果表明,所提方法能够有效构建模型输入响应与输出参数之间的映射关系,同时将结构非线性模型修正的逆问题归结为求解参数的正问题,提高了结构非线性模型修正的计算效率与精度。（4）利用地震激励作用下的非线性悬臂铝梁振动台试验数据,根据提出的基于结构响应瞬时特征参数与改进GAN的结构非线性模型修正方法对试验铝梁结构非线性模型参数进行了识别,验证了所提方法在实际工程结构非线性模型修正中的适用性以及准确性。试验结果表明,所提方法能有效对实际工程结构进行结构非线性模型修正,通过修正后的非线性模型计算获得的结构动力响应与结构试验实测数据吻合良好。