桥梁结构在其服役期间受到频繁的承载、超载、碰撞亦或是严寒、大风、洪水等恶劣环境的作用,很容易导致桥梁结构出现损伤与局部破坏,及时的健康检测以及精确的损伤判别是确保桥梁安全运营的关键,也是国内外众多工程技术人员迫切需要去研究的重要课题。本文主要对桥梁结构损伤判别的相关内容展开了研究,概述了桥梁结构损伤判别的研究意义和研究现状,着重研究了基于结构动力特性中的固有频率、振型的变化和柔度矩阵等动力指纹各自的特性以及适用条件,且对支持向量机与粒子群优化算法的基本理论与方法进行了系统的阐述。支持向量机的学习能力和泛化能力与其自身参数的选择息息相关,在诸多参数之间盲目选择会花费掉大量的时间,且结果不一定为最优,所以本文采用粒子群算法对支持向量机的模型参数进行寻优。粒子群算法有着操作简单,搜索效率相对较高等有点,此外,粒子群算法并不要求优化函数具有连续可微的特性,能够处理多变量、非线性的模型问题。文中还提出了将粒子群优化支持向量机理论在桥梁损伤判定领域的实现方法,该方法采用粒子群算法对支持向量机的各影响参数进行优化,并使用优化好的模型来完成分类和预测的工作。在桥梁损伤位置识别当中,通过对各损伤指纹的比较和权衡,将归一化后的曲率模态差作为特征向量输入支持向量机中进行训练。通过文献调研以及相应的试算,得知RBF核函数相比于线性核函数、多项式核函数,sigmoid核函数有着更高的准确率,故本次模拟将其作为支持向量机的核函数。随后采用粒子群算法对支持向量机进行优化,并得到最优的参数。本文以洛清江大桥为例进行损伤位置判定,结果表明,判别的正确率达到96.32%,损伤位置的判定效果较好。在桥梁损伤位置识别的基础上,将损伤位置处曲率模态参数进行相应的归一化处理后输入优化后的支持向量机当中,并采用其回归算法对该位置的损伤程度进行判别,通过优化前后的模拟结果进行对比,证明了通过粒子群算法优化后的支持向量机识别的准确率更高的同时具备更好的泛化能力。