随着结构向高速化、大型化、复杂化、智能化方向发展,欠定条件下的模态参数识别问题越来越普遍。作为一种有效的欠定盲源分离方法,稀疏成分分析（Sparse Component Analysis,SCA）引起了国内外许多研究学者的关注。在欠定条件下,稀疏成分分析方法能够从有限的传感器中识别出更多的工作模态参数,能够突破环境和成本的限制,对结构的性能评价、故障诊断与健康监测、优化设计、动力修改与集成、灵敏度分析等具有重要意义。本文在基于稀疏成分分析分析和欠定盲源分离的工作模态分析方法的基础上,结合了滑动窗、迁移学习、改进密度峰值聚类等方法,实现了欠定条件下时不变、慢时变的工作模态参数识别。主要研究内容包括:（1）提出了一种基于短时傅里叶变换的稀疏成分分析欠定工作模态参数识别方法。首先,建立了基于稀疏成分分析的工作模态参数识别的框架和流程步骤。之后,利用信号纯净度比较各个稀疏变换方法的模态参数识别效果。最后,讨论了模态的解释评价问题、可识别模态数、模态遗漏与虚假模态和方法的适应范围。在5自由度的仿真数据集下的工作模态参数识别表明,基于短时傅里叶变换的工作模态参数识别方法可以识别超过振动响应传感器个数的模态参数,比独立成分分析方法识别的模态数更多,设置识别模态个数小于或等于自由度数时识别结果均为真实模态,而设置识别模态个数大于自由度数则识别结果中存在虚假模态。（2）提出了基于改进密度峰值聚类的模态振型估计方法,该方法将密度峰值聚类方法引入模态振型估计中,具体做法是根据信号点的权值斜率变化趋势自动选出聚类中心（模态振型）,一定程度上避免了传统密度峰值聚类中采用人工决策图选取模态振型带来的误差,提高了欠定情况下的模态振型的识别精度与抗躁能力,在5自由度的仿真数据集下的工作模态参数识别表明,与K-mean、FCM、DBSCAN聚类方法进行了对比,改进密度峰值聚类的模态振型估计方法具有更高的精度与抗噪能力。（3）提出了基于迁移学习的滑窗SCA欠定线性时变结构工作模态参数在线实时识别方法,该方法基于短时时不变假设,利用滑动窗口技术将欠定的慢时变结构分解为多个时不变的窗,转换为多个欠定的时不变识别问题。其次,在每个时不变窗内,都采用稀疏成分分析来识别相应的模态参数。最后,由于相邻时不变识别中响应信号的相似性,使用迁移学习方法将在前一个窗口中收敛得到的模态振型迁移到下一个窗口的混合矩阵估计中,作为下一个模态振型估计聚类迭代的初始值。慢时变三自由度弹簧振子结构仿真数据集的辨识结果表明,该方法可以有效地解决欠定线性慢时变结构的模态参数辨识问题,并且能够提高模态参数识别精度和收敛速度。