地震动等其他外部激励的作用,会导致结构构件发生不同程度的损伤,从而影响结构使用。因此,需要找到一种合适的损伤位置识别方法,识别出结构构件损伤发生的位置;结构受损后,会导致结构响应发生变化,当响应超过限制,会对结构的使用造成一定影响。若对损后结构的响应进行预测,便能大致知道结构在下一时刻的响应值,进而对结构进行控制。本文以6层框架结构模型为例,用梁、柱构件弹性模量的折减模拟结构损伤,进行结构损伤位置识别及损后结构的响应预测。在损伤位置分类识别方面,用幅值为0.1的白噪声作为各种损伤工况的外部激励输入。提取节点加速度时程记录,用EMD法分解得到前4阶IMF分量,并求每个IMF分量对应的样本熵用于构造损伤位置识别特征量,其中损伤特征量又分为原始损伤特征量和经过Z-score标准化处理的损伤特征量。本文针对贝叶斯优化SVM分类器,选用反距离平方加权KNN分类器进行损伤位置分类识别并作出对比,共讨论四种类型的损伤位置识别。用加权KNN法对原始损伤特征量进行损伤位置识别时,第一至第四种类型损伤位置识别准确率分别为100%、98.8%、91.5%、98.2%;对经过Z-score标准化处理的损伤特征量,第一至第四种类型损伤位置识别准确率分别为100%、98.8%、88.6%、98.4%。无论是否对损伤量进行标准化处理,加权KNN分类器均比优化SVM分类器在识别方面表现更好。而且,与通过结构频率、刚度变化等方法识别损伤位置相比,用加权KNN分类器进行损伤位置识别时,过程更简便。在损后结构响应预测方面,针对原始地震波含噪的特点,选用提升小波变换对原始地震波降噪。经过对比,成功保留了地震波消噪前后结构响应的主要特征。采集消噪后节点51、47、43的位移、速度、加速度时程记录用于响应预测。在NAR神经网络单步预测中,预测结果均比较理想,但N43节点响应预测效果最差。然后用CEEMD-NAR法对N43节点的响应进行单步预测,针对CEEMD分解时会产生“端点效应”,选用极值对称延拓法解决这一现象。最终除了位移响应的MAPE值轻微上升,变为0.1378以外,响应的其它评价指标值均降低。以上结果表明,NAR神经网络和CEEMD-NAR法均能使预测精度满足要求,但CEEMD-NAR法对复杂序列的预测精度更好。