缺失数据广泛存在于各个统计调查和工程领域中。数据的缺失会造成信息的不完整,从而对后续的分析和处理带来很不利的影响。桥梁健康监测系统能通过安装在桥梁关键部位的传感器所反馈的结构信息来判定桥梁的健康状况,为桥梁所有者和使用者判断桥梁是否安全提供重要的依据。然而,长期工作在野外恶劣环境中的监测系统往往由于传感器及监测设备磨损、老化、甚至损坏,以及季节性的电力缺失等原因出现大量的缺失数据,极大地影响了桥梁健康状况的评价。本文以桥梁健康监测系统中存在的缺失数据为研究对象,为桥梁健康状况的准确评价提供一种小样本下较低误差的缺失数据填补方法,因此本文的工作具有重要的实用意义。本文分析了桥梁健康监测系中统数据缺失的原因,介绍了几种常见的桥梁监测数据的缺失类型,并以重庆大佛寺长江大桥健康监测系统的数据为例,分析了桥梁监测参数中温度和挠度参量的特点及变量自身及变量之间的相关性;总结了其他领域现有缺失数据的处理方法,在这些方法的优缺点基础上并结合大佛寺大桥实际监测数据的特点,采用了一种基于时间序列中季节自回归移动求和平均SARIMA(Seasonal Auto Regressive Integrated Moving Average)和神经网络ANN(Artificial Neural Network)混合模型的缺失数据填补方法。为了对比该方法的优越性,采用了时间序列SARIMA方法及传统的线性回归法,分别与本文所提出的基于SARIMA及神经网络的混合模型法对几种常见的桥梁健康监测系统中的缺失数据进行处理,结果表明:基于SARIMA及神经网络混合模型的填补方法精度较高,误差较低,填补效果较好;SARIMA模型的填补效果次之。实际的缺失数据填补结果表明,本文所提出的基于SARIMA与神经网络混合模型的方法能够达到小样本下较低残差的缺失数据的快速填补。