桥梁结构作为交通系统的重要纽带,其安全运营状态始终是工程界关注的重点。近年来,随着健康监测系统的快速发展,针对该系统的设计及应用逐渐成熟,但当前的研究成果主要集中在大跨度桥梁上,对于面广量大的中小跨径混凝土桥梁的研究相对进展缓慢。本文以江苏沿海高速公路（盐城—南通段）烈士河大桥为工程背景,基于车辆荷载数据和应变监测数据,进行了基于车载效应数据的桥梁安全状态评估方法的研究。本文主要研究内容及结论如下:（1）基于动态称重系统,建立混凝土组合箱梁桥车辆荷载参数统计模型。首先,对烈士河大桥整体交通情况进行分析,基于动态称重系统653万组原始交通监测数据,对车辆数据进行预处理,以车辆轴数和轴距为主要分类因素,建立8种代表车型。其次,对大桥各车道日常车流量及超载情况进行统计分析,研究结果表明,超出规定载值50%以上的占比很大,大桥超载问题严重。最后,利用基于极大似然估计原则的EM算法以及K-S检验,建立了车辆荷载关键参数符合实际情况的概率模型。研究结果表明,烈士河大桥各车道车重服从三峰分布,可通过混合高斯模型进行有效拟合;各轴轴重呈单峰分布,需要使用不同的概率密度函数进行拟合;针对车速,3、6车道车速为双峰分布,可使用混合高斯函数进行概率拟合,其余车道为单峰分布,使用t分布可进行有效拟合。模型结果反映出烈士河大桥目前服役实际承受的车辆荷载已远远超过当时的设计荷载,对在役桥梁安全状态及剩余寿命进行评估时,采用实际交通运营荷载进行分析更为准确。（2）基于深度学习思想,建立车致应变影响线特征智能识别及提取方法,并进行特征分析。首先,通过对实时监测应变数据的特征分析,利用小波包分解与重构的方法实现温致应变与车致应变的有效分离。其次,与传统阈值法效果对比,利用长短时记忆神经网络对时间序列的分析优势,创建Bi LSTM模型,通过样本集学习训练,测试集优化参数,改善预测精度和预测时长,从而建立车致应变影响线特征智能识别及提取方法。研究结果表明,通过对烈士河大桥不同监测位置的车致应变数据进行随机抽取,共使用208143个训练集和197236个测试集,经训练的Bi LSTM模型预测精度达99.23%。最后,对经智能提取的车致应变峰值进行特征分析,上翼缘横向和纵向车致应变对通过车辆轴数更加敏感,其同段波形产生的峰值数与车辆轴数有关;腹板和下翼缘纵向车致应变信号波动规律较为相似,下翼缘纵向应变数值大于腹板处。各传感器车致应变峰值呈三峰分布,受所在车道轻型车,中型车和重型车的占比影响较大,可通过混合高斯模型进行有效拟合。桥梁局部位置的上翼缘横向应变与下翼缘纵向应变存在部分重车数据簇已超过规范限值,桥梁局部位置进入带裂缝工作状态,车致应变峰值可以成为评估桥梁安全状态的重要指标。（3）基于聚类和PCA理论,建立混凝土箱梁整体状态评估及性能退化预警方法。首先,建立对车辆荷载敏感且可表征箱梁各部位可靠性的有效状态值。利用层次聚类和高斯混合模型聚类两种算法分别进行车载数据与车致应变的相关性分析,通过与传统方法的效果对比,利用GMM聚类后的重车车载数据簇与重车应变数据簇具有高度相关性,表明由车辆引起的车致应变最大集群可用于评估重型车辆荷载对桥梁性能的影响。将日重车应变数据簇0.95分位代表值作为新的箱梁各部位状态的表征值,通过计算强度利用因子定量反映箱梁各部位的影响权重,评估箱梁整体状态。其次,构建对箱梁状态退化敏感的预警模型。利用车致应变日均值、日极大值、日重车应变数据簇代表值分别建立离线主元模型,通过模拟16种不同工况下箱梁状态的退化以及相应模型预警效果的对比,基于聚类所得日重车应变数据簇代表值可以更好地表示重型车载作用下的箱梁状态,所构建的预警模型通过综合指标的设置可对箱梁整体状态进行有效的监控及预警。最后,基于适用性和安全性完善预警体系。当箱梁状态退化时,利用指标贡献图有效识别异常部位,通过强度利用因子两级预警线判断当前的状态退化是否在可控范围内,若未超出可控范围,将当前数据导入,及时更新预警模型,若超出可控范围,则进行检修和加固。同时及时采用GMM相关性模型推算车重限值,对重型车辆范围具象化,加强对桥梁通行车辆的限重管制,改善桥梁服役性能。