本文提出了一种基于统计模式识别技术的结构异常检验方法,该方法通过对正常状态和异常状态的动态响应数据分别建立统计模式,然后用最有效的模式差异指标明显地区分两种统计模式之间的差异,达到剔除环境因素,有效地识别结构异常的目的。论文对该方法的关键问题:ARMA时间序列模型的定阶、模型参数估计的精度、统计模式特征参数的减缩和统计模式之间差异指标的比选等,进行了深入研究。数值算例和实验梁结果均表明,所建立的基于统计模式识别的结构异常检验方法,可以很好地诊断结构的损伤状态,检验出结构状态的微小改变,且对于识别异常程度和异常位置都具有敏感性。本文的主要工作和结论包括: 1.对时间序列模型的基本理论和物理意义进行了综述,比较了几种不同的时间序列模型,并综合考虑应用于统计模式识别的可行性,最终选择了ARMA时间序列模型,将ARMA模型的参数作为统计模式的特征参数来建立统计模式。 2.编程实现了基于最小特征值的ARMA模型定阶方法,提出了一种分两阶段的ARMA模型参数估计方法,并用数值算例和实验梁进行了验证。 3.通过主成分分析方法实现了多特征参数有效缩减,选取出的新特征可以最大程度的保留了原有各特征的主要信息,因此有利于更迅速准确地对结构的健康状态作出判断。 4.研究了三种统计模式差异指标,并用数值算例和实验梁结果进行了比较。结果表明:均值控制图表示结构异常的形式直观,而且多次假设检验降低了误判的概率,是理想的用于结构异常检验的工具。