随着社会的发展,交通负荷逐渐增加,对服役桥梁的安全性要求日益提高。桥梁健康监测系统技术已经发展成熟,并且得到了广泛的应用,通过分析桥梁监测数据、高效精确地进行桥梁结构健康状态识别成为重要的研究课题。本文以时序数据为基础进行分析,旨在实时判断桥梁的健康状态,并对损伤程度高的桥梁及时采取修复措施,以避免造成严重的交通事故。桥梁结构健康状态识别的关键是如何能够实时地对桥梁结构监测信号进行准确分类。实桥结构健康监测系统通过各种传感器直接获得的时序数据一般历时长久,在时间轴上还存在偏移、压缩或拉伸现象,严重影响了传统方法对实桥结构健康状态识别的效果。针对桥梁结构监测数据在相同桥梁结构健康状态下也存在偏移、压缩或拉伸等现象的问题,本文首先使用了动态时间规整重新对齐变形的时间序列数据,再使用基于KNN的分类算法,预测桥梁结构健康状态,以弥补欧氏距离等传统相似性算法因时间序列变形导致分类精度下降的问题;另外,监测获得的时间序列数据一般历时长久,使用一般的算法难以快速获得高精度的分类结果,本文提出一个LSTM循环神经网络来处理冗长的桥梁结构监测时间序列数据,随后利用这个通过一定量训练数据学习好的网络结构,快速、准确地识别桥梁结构的健康状态。本文通过准确地预测桥梁结构健康状态,使我们更深入地了解桥梁结构监测时间序列数据,更接近于实时分析原始数据,这将大大提高桥梁结构健康状态识别的效率。本文使用哈尔滨工业大学结构监测与控制研究中心提供的实桥数据验证该算法对桥梁结构监测数据分析的有效性,并通过进一步对比实验证明本文提出的算法较之传统技术更能适应实际工程应用的需求。