在基于振动响应和深度学习的结构损伤识别中,实测振动响应信号除含有与结构自振特性有关的成分外,通常也含有噪声和一些与结构损伤无关的成分,噪声以及与结构损伤无关的成分会影响深度学习模型的泛化能力和损伤识别准确率。为此,本文利用VMD对实测振动响应信号进行分解,选取与结构自振特性有关的成分作为有效分量,然后,分别将有效分量及其时频信息作为深度学习模型的输入,利用深度学习模型进行结构损伤识别研究。五层钢框架模型振动台试验和IASC-ASCE SHM Benchmark第二阶段结构试验数据证明了本文所提方法的有效性。主要内容如下:（1）介绍了本课题研究的背景及意义,重点介绍了基于时频分析和深度学习的结构损伤识别研究现状。（2）简述了本文用到的一些基本理论,包括变分模态分解（Variational Mode Decomposition,VMD）算法、卷积神经网络（Convolutional Neural Networks,CNN）、长短时记忆（Long Short-Term Memory,LSTM）神经网络、双向长短时记忆（Bi-Directional Long Short-Term Memory,Bi-LSTM）神经网络和门控循环单元（Gated Recurrent Unit,GRU）网络等循环神经网络（Recurrent Neural Network,RNN）的变体、复合网络模型CNN-LSTM以及短时傅里叶变换（Short-time Fourier transform,STFT）、小波变换（Wavelet transform,WT）和希尔伯特-黄变换（Hilbert-Huang transform,HHT）等时频分析方法。（3）基于VMD-CNN-LSTM的结构损伤识别研究,首先利用FIR滤波器滤除实测加速度响应信号中的高频噪声成分。利用VMD将滤波后的加速度响应信号分解成一系列固有模态函数（Intrinsic Mode Function,IMF）,选择与结构自振特性相关的有效IMF分量进行重构。对重构后的信号进行分段重组,生成输入样本,并将输入样本按8:1:1的比例分为训练集、验证集和测试集分别输入到CNNLSTM网络模型进行训练与测试,得到损伤识别结果。经试验验证,VMD-CNNLSTM方法的损伤识别准确率最高可以达到100%,训练时长最少仅用到16s,具有较高的损伤识别精度和效率。（4）基于VMD-HT-CNN的结构损伤识别研究。首先利用FIR滤波器滤除实测加速度响应信号中的高频噪声成分。然后对滤波后的加速度响应信号进行VMD分解,从分解出的一系列IMF分量中选择与结构自振特性相关的有效IMF分量,按顺序排列形成IMF分量矩阵。接着利用Hilbert变换（Hilbert transform,HT）对IMF分量矩阵进行时频分析生成时频图像,将时频图像作为输入样本,并按8:1:1的比例分为训练集、验证集和测试集输入到CNN网络模型中进行训练与测试,得到损伤识别结果。经试验验证,VMD-HT-CNN方法的最低损伤识别准确率达到了99.71%,最高准确率达到了100%,训练时长最长仅用到69s,具有优越的综合损伤识别性能。