桥梁是交通基础设施中重要的一环,桥梁安全关系着整个交通运输系统的有序运营。交通运输系统的高效运转对国民经济的发展具有重大的意义。近年来车辆超载现象愈演愈烈,许多车辆实际荷载远远超出了桥梁的承载能力,致使部分公路桥梁出现了严峻的桥梁病害隐患。实时监测桥梁上通行车辆的重量能够辅助管理部门及时发现超载车辆并进行处置,有利于保障桥梁结构的安全和维护交通运输系统秩序。桥梁动态称重系统（Bridge Weigh-in-Motion,BWIM）是一种根据桥梁响应识别车辆重量的交通荷载监测技术,该方法不仅能够及时发现超载车辆,并进行安全预警,还能获取相应路段的交通荷载统计数据,从而为桥梁结构安全评估提供依据。相比传统的路面式动态称重技术,BWIM系统具有安装维护无需破坏路面、测量精度高、使用寿命长等优点。然而,传统BWIM系统通常需要额外的车轴检测装置来辅助车辆轴重的识别。采用车轴检测装置往往会面临着传感器同步困难、稳定性不足、适用范围窄等挑战。一些研究人员采用深度学习方法在没有车轴检测装置的情况下仅根据桥梁应变响应识别出了车辆的轴重、速度等信息,然而识别车辆轴重所需的车辆轴重训练数据往往获取难度很大,制约了基于深度学习的BWIM方法的发展。针对轴重训练数据难以获取的问题,本文提出了一种基于Encoder-Decoder框架的桥梁动态称重神经网络结构（Bwim Net）,该方法无需车辆轴重数据就能根据桥梁的应变响应直接识别出桥上车辆的关键属性（包括速度、轴距、轴重、轴数等）。本文建立了桥梁与车辆有限元模型,在车桥耦合振动数值仿真方法的基础上建立了训练和测试数据集,对该方法的可靠性与准确性进行了验证,并对比分析了Bwim Net与Moses算法的轴重识别性能。此外,本文还研究了路面不平整度、车辆横向位置、训练集的大小以及训练数据的噪声水平对Bwim Net识别性能的影响。研究结果表明Bwim Net能够准确地识别出桥上通行车辆的轴数、轴距、轴重以及速度等信息,且在训练数据中存在较大噪声干扰时也能保持较好的识别性能。除此之外,本文还研究了迁移学习对Bwim Net的识别性能的影响。研究结果表明Bwim Net能够有效复用基于其它桥梁或者人工合成数据预训练的网络模型,迁移学习大幅减少Bwim Net对训练数据的需求,并增强其网络识别性能,使得Bwim Net具有良好的适用性。综上所述,本文所提出的基于Encoder-Decoder的识别桥上车辆重量的神经网络结构Bwim Net能够以较好的精度与鲁棒性识别出桥上车辆的重量、速度、轴距等属性,具有较强的适用性与较大的发展潜力。该研究成果有助于桥上车辆荷载识别和桥梁安全维护的进一步发展。