随着大型桥梁结构数目与日俱增,以及大型桥梁结构健康监测系统的广泛应用,桥梁结构健康监测时序数据呈现数据量巨大、种类多、增长快等显著的“大数据”特征。为了有效分析“桥梁结构大数据”,数据存储传输成本、计算效率和准确度等是目前桥梁结构健康数据分析亟待解决的关键问题。本文通过研究桥梁结构健康监测信息大数据特征,提出一种高效、灵活的基于时间序列分析的桥梁结构损伤状态分步识别方法框架。本文首先提出了基于训练集优化的桥梁结构损伤预警方法,通过对原始训练集使用聚类方法,在对原始训练集进行精炼的同时不损失其主要信息,提升训练集质量,减少训练集的规模,提升时序数据挖掘效率。使用精炼的训练集数据分析测试集中的数据,判断其分类,评估桥梁结构健康状态。之后通过对ASCE Benchmark结构数据集的实验证明了此方法的可行性与有效性。本文使用符号聚合近似方法表达原始时间序列并将其应用至桥梁结构健康监测中,提出了一种新的桥梁结构损伤识别方法。利用符号化聚合近似时序模型将原始桥梁结构数据分段聚合并符号化表示,相比离散小波变换和离散傅立叶变换等传统技术,SAX具有存储容量小、可将原始数据表示为不同粒度等显著优势。因此,在对桥梁监测数据进行压缩处理时可根据具体需求选择压缩比,结构数据处于健康状态时可采用低粒度数据模型实现高压缩比的数据表示,并传输到数据处理中心进行存储,而对损伤状态的数据采用高粒度数据模型更详细地表示监测数据,并存储在本地方便实时处理和分析,从而有效解决大数据环境下桥梁结构监测数据压缩问题。通过在ASCE Benchmark结构数据集上的良好表现,证明了该方法可有效提升桥梁结构损伤识别状态效率。最后本文整合了之前两种方法,提出了基于训练集优化与时序符号化的桥梁结构损伤状态分步识别方法,并通过在哈尔滨工业大学提供的实桥结构数据集进行实验验证该方法对桥梁结构监测数据分析的有效性,及其在工程应用中的可行性,并通过进一步的对比实验证明该框架较之传统结构损伤识别方法具有更高的效率和精度。