近年来，随着传感器技术及计算机科学的飞速发展和桥梁安全评估的需要，桥梁健康监测系统广泛应用于已建桥梁之中。桥梁健康监测系统主要是依靠传感器系统采集与桥梁安全状况相关的参数，然后由专业人员进行实时分析，随时对桥梁结构的安全状况进行评估。而在桥梁健康监测系统运营过程中，部分传感器可能会发生故障，使其测得的数据可靠性不足，所以有必要定期对传感器的故障进行诊断。现在桥梁健康监测领域对于传感器故障诊断这一板块研究较少，所以论文结合万州牌楼长江大桥健康监测系统的实测数据，对基于数据驱动的桥梁监测传感器故障诊断进行了研究，主要内容如下：
　　通过回顾其他领域基于数据驱动的传感器故障诊断方法并结合桥梁健康监测传感器系统的特点，设计了一种新的基于数据驱动的桥梁健康监测传感器故障诊断方法，该方法分为两步，第一步是对传感器所采集的数据进行异常检测，第二步是判断数据异常是否由传感器故障引起。
　　在传感器数据异常检测阶段，选取多元统计分析中的主成分分析和深度学习领域的长短时记忆神经网络这两种算法，设计了两种数据异常检测方法，同时建立算例对两种方法各自的优劣进行了分析。其中以主成分分析为基础的检测方法较为简便，但在面对非平稳时间序列和程度较轻数据异常问题时其检测效力较差，而应用长短时记忆神经网络进行数据异常检测时，面对上述两种问题时均具有良好的适用性。
　　在判断数据异常原因阶段，结合传感器信息融合的相关理论对此进行研究。在特征级融合中，选取灰色关联度这个表征各个传感器之间数据相关性的指标；在决策级融合中，通过特征级融合中对灰色关联度的分析总结出了判断数据异常原因是传感器故障的判据。
　　最后将论文所设计的基于数据驱动的桥梁健康监测传感器故障诊断方法应用于万州牌楼长江大桥健康监测传感器系统之中，分别对挠度传感器、加速度传感器和温度传感器进行了故障诊断，并与健康监测系统运营单位人工检测结果进行对比，对论文设计方法的实用性进行了证明。