大型土木工程基础设施在助力社会经济发展和提高人民生活水平的同时,其结构的安全性无时无刻不遭受着各种因素的威胁,结构一旦失效往往会对社会造成灾难性的后果。因此,能够及时地识别出结构早期损伤的位置与损伤程度具有重要的意义。随着人工智能的发展以及大数据时代的来临,结构损伤识别也逐步向着智能化迈进。由于实际结构健康监测系统测试信息不完备,传统动力反演方程的求解存在不适定问题,本文研究基于强化学习的结构损伤反演方程求解算法,提高方程解的唯一性和准确性。主要的研究内容包括:提出了基于灵敏度的结构损伤反演模型求解的强化学习算法。基于结构灵敏度的模型,建立了结构损伤反演问题中的目标方程组。根据结构损伤的物理性质为强化学习算法中神经网络选择合适的激活函数,并结合损伤的稀疏性质,为算法设计了导向明确的收益函数以及智能体与环境的交互过程。对一平面桁架模型进行了数值模拟,对比了强化学习算法和基追踪降噪算法的识别结果,验证了所提出的强化学习算法在结构损伤定位及程度量化上的有效性与抗噪性。考虑实际应用中的各种不确定性,提出了基于贝叶斯概率模型的结构损伤反演强化学习算法。通过强化学习算法求解反演问题中包含损伤信息的未知量,并由数值模型模拟损伤工况的识别结果,验证了算法识别结果的准确性和噪声鲁棒性。以实桥Benchmark模型为研究对象,分别对实桥的模拟损伤以及实际损伤状态进行损伤识别。识别结果表明,强化学习算法的识别结果具有较好的稀疏性,能够准确地定位真实损伤发生的位置,并对不同程度的损伤具有一定的量化能力,在实际工程应用中具有可行性。