20世纪以来国内外土木工程结构的建设取得了突破性、划时代的发展,同时这类土木结构的安全性和耐久性也越来越受到人们的关注,这使得结构健康监测与预测诊断技术成为社会研究的热点,对正在建设的和正在服役的土木工程结构设施进行有效的损伤监测、评估和趋势的预测,具有重要的意义,本文以结构健康状态趋势预测为研究目的,分别对结构损伤的特征提取和趋势预测进行了深入研究,研究内容如下:(1)为了有效的提取结构的损伤特征,提出了一种基于EEMD和HT变换的结构损伤特征提取方法。首先对原始信号进行EEMD分解,提取包含结构损伤信息的IMF分量,再对其进行HT变换计算瞬时频率。试验表明:结构损伤前后瞬时频率会发生明显的变化,能够有效反映结构因损伤引起的状态变化,并且可以准确地体现结构刚度变化的趋势,从而反映结构健康状态的发展趋势。(2)极限学习机受本身算法的制约导致其预测精度不高,误差较大,为了能更精确的预测结构健康状态的趋势,提出一种结合极限学习机和马尔科夫模型的预测方法。首先利用极限学习机对表征结构损伤的瞬时频率进行预测,计算拟合误差,然后对拟合误差建立马尔科夫模型预测出极限学习机的预测误差,并修正极限学习机的预测值。试验表明:极限学习机马尔科夫预测模型由于受马尔科夫状态预测值的约束,导致其预测误差相比极限学习机差异不大,预测精度仅仅略有提高,不能有效的预测结构健康状态的趋势;不同的隐层神经元数目和马尔科夫状态数都会影响预测精度,因此需要针对具体的实际问题选择合适的神经元和马尔科夫状态数。(3)针对极限学习机马尔科夫模型的预测精度不能满足要求这一问题,提出一种粒子群优化的极限学习机马尔科夫模型。该方法是利用粒子群算法对极限学习机马尔科夫模型中的状态预测值进行自适应寻优,找出可能性最大的状态预测值。试验表明:利用粒子群算法能够找出相应的马尔科夫状态区间中最合适的状态预测值,使得整个极限学习机马尔科夫模型预测值更接近真实值,误差更小精度更高。