随着社会的发展,大型土木工程结构越来越多,尤其是大型桥梁结构,桥梁结构在长期运营过程,通常会因环境、结构老化和结构使用不当等原因发生损伤。结构损伤识别方法作为结构健康监测（Structural Health Monitoring,SHM）中的有力工具,能够有效评估结构安全性,这对于大型土木结构的安全运营具有重大意义。但实际工程结构复杂,在基于有限元模型的损伤识别方法中,高精度的结构物理参数往往难以获取。此外,受传感器质量、测量误差、环境变化等因素影响,监测数据不可避免地具有不确定性。而基于稀疏贝叶斯学习（Sparse Bayesian Learning,SBL）的结构损伤识别方法,具备较强的不确定性量化能力,且概率输出结果具有较好的鲁棒性。因此有必要针对基于SBL的无物理模型、纯监测数据驱动的损伤识别方法进行研究。故本文开展基于稀疏贝叶斯学习的桥梁结构损伤识别方法研究,提出了一种基于稀疏贝叶斯学习的纯监测数据驱动损伤识别方法。所提方法首先基于健康状态下的桥梁结构振动数据,通过自然激励技术（Natural Excitation Technique,NEx T）方法确定损伤敏感频带,并据损伤敏感频带构造对损伤敏感的损伤指标——结构健康因子;接着基于健康状态下的结构健康因子,引入稀疏贝叶斯学习以构造SBL参考回归模型;再据结构损伤未知状态下的振动监测数据构造新的结构健康因子,并将新的结构健康因子实部带入参考回归模型中预测虚部;最后据新的损伤指标虚部与预测虚部的残差进行贝叶斯假设检验,并利用假设检验得到的贝叶斯因子开展损伤识别。本文具体研究内容和贡献如下:（1）以结构健康监测为研究背景,针对桥梁结构振动监测数据可能存在数据缺漏问题,考虑振动监测数据不确定性,同时利用稀疏贝叶斯学习的非线性处理能力和高泛化能力,将实测振动数据分为:（i）健康状态下的环境振动数据;（ii）健康状态下自由衰减振动数据;（iii）损伤状态下的环境振动数据;（ⅳ）损伤状态下的自由衰减振动数据,开展基于稀疏贝叶斯学习的振动监测数据建模性能分析。（2）基于稀疏贝叶斯学习的数据建模性能,提出一种基于稀疏贝叶斯学习的纯监测数据驱动损伤识别方法。所提损伤识别方法无需有限元建模,且方法中SBL参考回归模型能量化数据不确定性。案例研究结果表明,本文所提损伤识别方法能够实现损伤定性、损伤定位及损伤定量三目标。另外,所提方法无需损伤状态下的振动监测数据,仅需健康状态下的振动监测数据,在方法应用层面更符合实际。（3）为使所提损伤识别方法更适用于结构损伤识别中,提高损伤识别结果精度,引入智能优化算法——人工鱼群（Artificial Fish Swarm Algorithm,AFSA）,研究基于AFSA的自适应稀疏贝叶斯学习桥梁结构损伤识别方法。通过构建模型参数——基宽参数的目标函数,利用AFSA的全局寻优能力,实现稀疏贝叶斯学习模型参数的自适应,减少参数确定过程中人为因素的影响,进而提高损伤识别结果精度。所提基于稀疏贝叶斯学习的桥梁结构损伤识别方法的可行性,通过结构健康监测基准结构——天津永和大桥及其振动监测数据得到了验证。