近些年来,随着结构健康监测技术不断发展成熟,结构健康监测系统已经被越来越多的应用在现代建筑结构中,为我们了解结构的服役状况,及时采取相应的措施保障结构安全提供了方便。土木工程结构日趋大型化和复杂化,也对结构健康监测提出了更高的要求。如何使用有限的传感器准确估计大型结构的状态和参数,识别其关键部位的损伤成为了一项十分具有挑战性的难题。扩展卡尔曼滤波方法(EKF)是利用部分观测的结构动力响应实时识别结构状态和结构未知参数的有效方法,目前已广泛用于结构健康监测和振动控制的研究。但是,传统的EKF方法仅适用于结构外部输入信息已知的情况,而在在实际情况中观测结构的全部外部激励是难以实现的,这就极大的限制了扩展卡尔曼滤波方法的应用。近些年来,有学者提出了一些改进的未知激励下扩展卡尔曼滤波方法(EKF-UI),用于未知激励下结构参数、结构状态和未知激励的同时识别。但是目前提出的未知激励下扩展卡尔曼滤波方法仍有一些局限性,如对加速度响应的测量位置要求较高,状态识别的过程中会产生位移低频漂移现象等,这使这些方法在实际中的应用受到限制。此外,实际工程中加速度传感器测得的加速度为绝对加速度,而现有的未知激励下扩展卡尔曼滤波方法通常需要观测结构相对地面加速度,这就需要地面加速度信息已知,因此现有的EKF-UI方法难以应用于结构受到地面激励未知的情况。基于以上研究背景,本文主要进行了以下几部分研究工作:论文第二章提出了一种基于数据融合的广义未知激励下扩展卡尔曼滤波方法(GEKF-UI),该方法是在传统扩展卡尔曼滤波的框架基础上推导得到,可以在部分观测结构响应信息且不观测激励处响应信息的情况下,实时识别结构状态、参数、未知激励。此外该方法还通过加速度与应变或位移监测数据的融合,有效解决了结构状态和未知激励识别过程中的低频漂移现象。论文第三章提出了应用于地面激励未知情况下的GEKF-UI方法,该方法可以在未知地面激励,仅观测结构绝对加速度和结构层间位移的情况下,对结构的状态、参数、未知地面激励进行实时识别。该方法通过将绝对加速度观测数据与结构层间位移观测数据进行数据融合,限制了识别过程中位移漂移现象的产生。论文第四章将GEKF-UI方法与子结构方法相结合,用于大型结构子结构的状态和损伤识别。将子结构的边界力作为附加未知激励,在部分观测子结构响应且不观测激励处及边界处响应的情况下,实时识别结构状态、参数、未知激励,克服了现有子结构识别方法中需要已知子结构边界力或观测子结构边界响应的限制。GEKF-UI方法与子结构方法相结合可以很好应用于对大型复杂结构关键部位的损伤识别。论文第五章将GEKF-UI方法应用于结构多尺度损伤识别,对于按尺寸划分单元的结构进行多尺度建模,首先采用大尺度模型对结构状态和参数进行识别,识别出发生损伤的大单元,然后再对该大尺度损伤单元进行精确建模,在该单元增加传感器布置及观测数,从而精确识别出损伤发生的小单元位置与损伤程度。GEKF-UI方法应用于结构多尺度损伤识别不仅可以减少使用传感器的数目,还可以精确定位和定量结构损伤。论文第六章对本论文所做的主要工作及论文创新点进行了回顾与总结,并对下一步要进行的研究内容进行了展望。