近年来,随着我国建设桥梁数量越来越多,对桥梁的保养不善导致的桥梁结构安全事故频繁发生,对人民的生命财产安全造成了重大的威胁。桥梁损伤一般定义为会影响结构性能的一种变化。传统的基于结构响应的损伤识别方法难以满足桥梁监测工程应用所需的高测量精度、高识别分辨率、噪声不敏感、能识别局部损伤等诸多实际工程应用要求。因此,研究数据驱动的损伤识别方法,利用桥梁长期健康监测数据实现多位置、多层次的损伤识别,对桥梁结构健康监测具有非常重要的意义。本文主要研究基于深度学习的损伤识别方法,主要研究工作如下:（1）在桥梁单损伤识别任务上,为了充分挖掘传感器的时序特征,提出了基于双向长短记忆网络的桥梁损伤识别模型Att Bi LSTM-BDI。该模型使用双向长短记忆网络来获取丰富的时序信息并通过注意力机制来放大有用信息的影响。实验表明,本文提出的Att Bi LSTM-BDI模型在两个单损伤识别的数据集上都优于现有的方法,而且对注意力机制的可视化表明该模型能有效捕捉接近样本采集时刻的特征。（2）在桥梁多损伤识别任务上,为了解决现有方法不能很好刻画传感器空间特征随时间变化问题,提出了基于卷积长短记忆网络的桥梁损伤识别模型Att Conv LSTMBDI,该模型使用卷积长短记忆网络对传感器的时空特征进行统一建模。而且针对模型倾向将损伤程度预测偏小问题,对损失函数进行优化设计,该优化针对损伤程度预测偏小的风险进行额外的惩罚。实验表明,优化后的损失函数可以提高损伤位置识别的精度,而且Att Conv LSTM-BDI模型在多损伤识别任务上优于现有的方法。（3）由于传感器的布置方式对模型的损伤识别能力有着很大的影响,本文结合桥梁每个单元的应变及其坐标信息,提出一种融合空间信息的传感器布置优化算法,实验表明,所提出的传感器布置优化算法可以有效提高模型的损伤识别效果。而且现有的挖掘传感器空间特征的方法不能应用于任意的传感器布置方式,针对这个问题,本文提出了一种可应用于不规则传感器布置的桥梁损伤识别模型Att GCN-BDI,该模型使用图卷积网络来提取传感器的空间特征以及双向长短记忆网络提取传感器的时序特征,最后再进行特征的融合。实验表明,Att GCN-BDI模型的损伤识别效果相比其他模型是最好的。