快速而准确地判别结构是否发生损伤、损伤发生的位置以及损伤的程度是防止结构出现严重后果的关键。但在实际的损伤识别过程中,存在以下的问题:一是在损伤检测过程中,可能由于传感器数量不足、测量手段困难或环境复杂等原因造成测试数据不足,即可能产生小样本问题;二是许多结构损伤识别方法通常需要通过测量外界激励信息加以深入分析,但在很多情况下激励信息难以准确测量;三是目前多数方法只能解决二分类问题,即判断是否有损伤以及进行初步的损伤定位,但对于损伤程度的评估以及损伤类型的多分类判断研究相对较少。针对结构损伤检测的小样本问题,本论文提出了利用传递率函数和有限元仿真结合的思想进行空间样本扩容。该方法首先将实际的结构进行仿真模拟,然后通过计算仿真状态下对应测点的传递率函数推得实际情况中的测点信息,以扩充在实际过程中无法得到的振动响应数据,在本论文中,通过实验验证了该方法的正确性。针对结构损伤识别中存在的无法摆脱对于外界激励信息的依赖的问题,本文利用传递率函数的特点完成了损伤判定和损伤程度评估。首先计算测点间的传递率函数,然后利用主成分分析法对传递率函数进行数据降维,最后利用降维后的数据得到散点图来反映结构损伤,并通过主成分置信度PCAC这一损伤指标来评估损伤的程度。最后设计实验验证了这种思路的正确性。针对目前多数结构损伤识别方法只能进行简单的二分类识别,本论文在参考LeNet-5、AlexNet、VGGNet等经典卷积神经网络模型的基础上,提出了适合损伤类型识别的网络模型。通过仿真不同厚度和不同弹性模量作为多种损伤类型,以不同损伤类型下的传递率函数作为输入,对网络进行了训练,并通过仿真验证了该模型的识别有效性。