工程结构的模态参数识别是结构健康监测领域的关键问题之一,其可应用于结构模型修正、结构损伤识别和结构优化设计等多个方面。同时,在线监测和工程安全实时预警的需求,又要求健康监测系统能够在线自动对结构真实模态进行识别。在此背景下,本文以模态参数自动识别为研究对象,结合新近发展起来的深度学习技术和不确定性理论,实现了模态参数识别过程的全程自动化,并保证其计算速率能够满足工程在线监测的需要。第1章对模态参数自动识别方法的国内外研究现状进行了综述,通过总结归纳、分类,提出了该研究领域存在的问题,并明确了本文的研究框架和研究内容。第2章介绍了环境激励下常用的模态参数识别算法理论,编制了数据驱动随机子空间法、协方差驱动随机子空间法、多参考点最小二乘复频域法、增强频域分解法的Matlab程序,通过对ASCE四层框架模型进行模态参数识别,指出了模态参数识别方法中存在的人为主观干扰和不确定性因素,同时为其自动识别和不确定性研究提供基础。第3章提出了一种迭代的基于遗传算法和模糊聚类技术的稳定图自动分析方法。该算法通过任意给定的初始聚类数目,可自动剔除稳定图中的虚假模态,从而在没有任何人为主观干扰的情况下自动识别出结构的真实模态。随后,用弹簧质量数值算例和框架模型算例对该方法进行了验证。第4章提出一种基于卷积神经网络的稳定图自动分析方法。首先提出了单一模态稳定图的概念,并以之作为卷积神经网络训练样本。然后通过平移、改变稳定点标记等技术手段对样本进行扩充,再将预处理好的训练样本代入卷积神经网络初始网络进行训练,最终得到可自动判别稳定图中虚假模态的卷积神经网络。最后,用弹簧质量数值算例和框架模型算例对该方法进行了验证。第5章推导了基于协方差驱动随机子空间法的模态参数识别结果不确定性计算公式。在不确定性计算的基础上,提出了不确定图的概念,用以区分虚假模态,提升了模态识别的计算效率。此外,将卷积神经网络用于不确定图的自动识别,从而实现模态参数的自动识别。随后,用弹簧质量数值算例和ASCE框架模型算例对该方法进行了验证。第6章将提出的3种模态参数自动识别方法分别应用于瑞士 Z24大桥、广州电视塔、加拿大HCT混凝土框架大楼、香港汀九大桥、奥地利S101大桥等实际工程中,对其模态参数进行了自动识别,进一步验证了所提算法的可靠性和工程适用性。此外,比较了3种方法的优缺点,讨论了如何区分相邻模态、环境激励下加速度振动数据量级对识别结果的影响、传感器有限条件下工程实例三维振型的画法等问题。第7章对本文的研究工作以及研究成果进行总结回顾,指出不足和有待进一步研究的课题方向。