大型桥梁是道路交通的关键结合部位与控制部位，是国家基础设施建设的重要组成部分。桥梁结构在长期的自然环境和运营荷载的共同作用下，逐渐产生损伤。结构损伤不断地累积、增大，直至桥梁被破坏。因此，对桥梁结构进行在线健康监测和损伤识别，及时掌握桥梁的现状，并及时加以维护，不仅可以节约大量的破坏维修资金，而且还能避免不必要的生命财产损失。 在工程结构健康监测系统的实际应用中，采集的结构响应信号常混有大量的噪声，使结构特征不明显，降低了损伤识别精度，所以对采集的信号进行消噪处理，增大信号与结构状态的对应性是非常必要的。同时，影响大型桥梁结构损伤状态的因素具有随机性、模糊性和信息不完备性，需要神经网络这样具有自适应、非线性、鲁棒性等优点的模式匹配算法。 本文采用目前一个较新的热点研究方法－－小波神经网络法，并改变过去使用小波与BP神经网络相结合的经典模型的方法，利用小波包良好的信号消噪能力和径向基函数网络收敛速度快、泛化能力强的优点，建立一个符合工程实际、适合工程应用的松散小波神经网络模型：首先用小波包分析法对结构的响应信号进行消噪处理；然后将由处理后的信号识别出的模态参数作为损伤指标，即径向基函数神经网络的输入参数；最后，将神经网络的检验样本输入到已训练好的RBF神经网络中，进行结构的损伤识别与判定。 本文主要包括以下几个方面的内容： 1.阐述了基于结构动力特性的损伤识别技术的研究概况与健康监测系统的应用现状，总结了小波分析法和神经网络法在损伤识别中的应用情况，系统地论述了各种损伤识别指标，并比较和分析了各自的优点与不足。 2.详细地论述了小波包分析及其应用于信号消噪的基本理论，阐述了RBF神经网络的基本概念、网络结构及组成和应用设计方法，提出了一个全新的小波神经网络模型，即小波包-RBF网络模型。 3.建立了典型的斜拉桥有限元模型，并将建立好的小波包-RBF网络模型应用于环境激励下的大型桥梁结构的损伤识别。比较了组合损伤指标和单一损伤指标、新模型和经典小波神经网络模型的识别效果，得出了新模型的优越性。