桥梁工程作为重要的基础设施,近年来,桥梁工程正朝着高效、持续、稳健的发展建设中。然而在各类荷载的长期作用下,威胁着桥梁的结构安全,若未能及时诊断出结构发生损伤并进行检修维护,则会造成惨重的人员伤亡和巨大的经济损失,因此迫切期望建立结构损伤预警机制。结构健康监测(SHM)发展至今,相关研究学者提出许多检测结构损伤识别方法,取得了良好的识别效果。然而,对于结构损伤发生时刻的实时识别的研究较少。结构损伤发生时刻的研究更为迫切,因为及时、准确地确定结构损伤发生时刻能够为结构损伤预警提供及时的信息反馈,为结构的检修、维护赢得宝贵的时间,因此,及时确定结构损伤时刻至关重要。近年来,深度学习凭借其自动提取特征的优势,在结构健康监测领域已取得了成功的应用;本文基于深度学习领域中卷积自编码神经网络的方法,针对结构损伤发生时刻的确定,具体进行了以下几方面的研究:(1)系统介绍了国内外结构损伤识别方法的研究现状,总结了传统结构损伤识别方法存在的问题,进而提出了基于深度学习领域卷积自编码神经网络的损伤识别方法思想。(2)介绍了基于卷积自编码神经网络理论,提出了基于卷积自编码神经网络的结构损伤发生时刻的识别方法。本文根据时序加速度响应数据的特点,进行神经网络的搭建。该方法属于数据驱动的方法,不依赖于结构模型,能够进行异常信号特征自适应提取与健康状态的智能诊断。(3)通过环境激励作用下的简支梁数值模拟及实验验证。使用深层网络模型表征大数据下响应信号与健康状态之间复杂的映射关系,实现了对不同损伤工况自适应特征提取与健康状态和损伤发生时刻的准确判断。数值模拟及实验结果验证了本方法能够对桥梁结构进行实时连续的健康监测。