由于环境腐蚀、材料老化、荷载效应等诸多影响,结构在正常运营过程中的损伤将不断累积,在恶劣情况下将会造成严重事故。近年来,越来越多的大型基础设施（如大跨桥梁、高耸建筑、异形结构）都安装了结构健康监测系统,以期实现被监测结构健康状况的实时在线监控,动态把握结构性态,保障结构安全。在反映结构固有特性的诸多指标中,结构模态参数指标被最广泛地研究与认可。在近数十年,模态识别在结构健康监测领域始终备受关注。作为实现结构实时状态评估的难点之一,模态参数的自动识别已有不少研究开展,但仍然有一些关键性问题亟待解决。本论文围绕基于功率谱传递比的模态自动识别方法及应用这一课题,开展了细致深入的研究,其主要研究内容包含以下四部分:（1）基于功率谱传递比的虚假模态识别;（2）基于传递比峰值坡度的密集模态识别;（3）结合机器学习算法的模态参数自动识别;（4）结合机器视觉技术的模态参数自动识别。论文第二章提出了一种基于功率谱传递比的虚假模态识别方法,首先通过对比谐波响应下不同测点在同一参考点处的传递比实现谐波干扰下的虚假模态识别。随后通过ASCE-Benchmark模型验证了该方法识别虚假模态的准确性以及抗噪声干扰的鲁棒性。最后,还通过海上风机结构的实际工程应用,进一步验证了该方法能够有效区分谐波干扰与结构工作模态,具备在谐波干扰下剔除虚假模态的能力。论文第三章提出了一种基于传递比峰值坡度的密集模态识别方法。为了识别复杂结构中可能存在的密集模态,首先定义了峰值坡度指标,并通过峰值定位与坡度计算界定峰值曲线中的密集模态,随后通过模态参数相对差异系数指标验证密集模态的准确性。最后,通过数值模型与ASCE-Benchmark模型验证峰值坡度指标和相对差异系数,该方法无需复杂的信号前处理过程,可有效区分、准确识别密集模态。论文第四章提出了一种结合机器学习算法的模态参数自动识别方法。本章基于峰值坡度指标与模态参数相对差异系数,引入机器学习算法中的支持向量机用于确定指标阈值。通过实验室模型充分验证该方法用于模态自动识别的可行性后,将其应用于厦门国贸中心空中钢连廊结构。研究表明该方法能够同时完成对频率和阻尼比的自动识别,为结构实时健康监测提供了更大的可能性。论文第五章采用机器视觉领域的光流法处理图像振动信号,结合机器视觉技术提出了模态参数自动识别方法。通过实验室碳纤维板和C型铝梁验证了光流方法用于模态自动识别的可行性,随后应用于膜结构和桥梁拉索,该方法进一步提升了模态分析识别的自动化程度。