针对BP神经网络应用于桥梁结构模型修正过程中所存在的最优结构问题(即网络中隐层数和隐层节点数难以确定的问题),本文采用递阶遗传算法与神经网络相结合的方法来优化BP神经网络结构与初始参数,提升了神经网络在桥梁结构模型修正中的预测性能,并以该方法对一多跨连续梁桥的有限元模型进行修正,取得了较好的修正效果。本文主要开展了以下几方面的研究工作：1)提出了采用递阶遗传算法优化神经网络性能的方法,利用遗传算法良好的全局寻优能力来弥补神经网络容易陷入局部极小值的缺点,提升了神经网络的全局寻优能力。与此同时,由于遗传算法中的个体采用递阶编码的方式,使得BP网络拓扑结构与初始权、阀值同时得到优化,从而减少了网络中存在的冗余节点数量,提升了网络的训练效率,加快了神经网络的收敛速度。本文基于MATLAB平台编写了该算法的程序代码,并以一个拟合复杂非线性函数的试验算例验证了递阶遗传算法与神经网络结合的可行性及优越性。2)对多输入神经网络训练样本的准备方法进行了研究,并提出了依据均匀设计原理准备多输入BP神经网络训练样本的方法。但限于可获得均匀设计表的数量有限,本文在MATLAB环境下编写了生成任意水平数与任意因素数均匀设计样本的程序代码,为后续神经网络训练提供了充足的样本。并通过一多输入非线性函数试验算例,证明了该方法在保证同样训练精度的情况下,可以显著地减少所需要的样本数量,提高了BP网络优化效率。3)将优化后的神经网络应用于实桥模型修正中,依据桥梁施工监控数据对大城西黄河大桥的初始有限元模型进行修正。本文通过灵敏度分析确定了主梁弹模、主梁容重及预应力初始张拉力作为待修正参数,并以最大悬臂状态前一施工阶段的实测挠度值作为修正依据,对该桥有限元模型中的三个待修正参数进行修正。并将修正后的模型参数代回有限元模型,以修正后的挠度计算值与实际监控测量值的差异来评价模型修正效果。计算结果表明,修正后的挠度计算值较修正前与实测值更加吻合,从而达到了模型修正的目的。