随着中国交通运输业的快速发展,新旧桥梁数量不断增加。在工作条件下及时了解桥梁的健康状况,快速有效地识别桥梁结构的损坏程度。不但可以保障人民的生命健康安全,而且对交通枢纽的调节具有重大意义,当今桥梁健康监测、损伤识别已成为桥梁工程研究领域的热点问题。目前的桥梁损伤检测方法是视觉或局部实验方法,这些实验技术都需要对桥梁结构附近的损坏先行查验并且只能检查工程师能接近的结构部分。受这些限制,这些实验方法仅仅可以检测桥梁结构表面上或附近的损坏。本文基于国内外大量有关桥梁结构损伤识别基础研究上,建立有限元桥梁模型,结合振动模态分析理论建立神经网络训练桥梁损伤识别模型同时确定桥梁结构损伤位置和损伤程度,建立了基于环境激励的振动模态分析理论和神经网络的桥梁损伤识别方法,以监测桥梁的健康状况。本文主要以桥梁健康监测的环境激励数据为主要研究对象,针对桥梁结构健康监测系统的现状,根据新形式下桥梁监测指标要求,采用智能算法解决自然环境振动下的结构动态响应数据幅度小、随机性强、数据量大和传输的过程中产生杂乱无序的噪声数据等问题。现有的环境振动测试数据处理方法只能得到结构的基本模态参数,不能有效的支持结构的维护管理与安全决策的问题,本文采用了从环境振动测试数据中识别结构深层次桥梁损伤的方法。桥梁监测的振动数据对结构安全诊断和评估至关重要,应用压缩感知理论对采集的数据去杂乱噪声,使处理后的数据可以在桥梁的损伤识别中应用。环境振动数据的损伤识别模型主要通过BP神经网络建立,然而BP神经网络具有收敛速度慢,初始权敏感,容易陷入局部极值,环境振动数据无序等缺点。仅采用BP神经网络无法建立有效地损伤识别模型,因此我们引入混沌粒子群算法对环境振动数据进行优化,结合混沌理论的特点可以有效的弥补BP神经网络的不足。综上所述,利用混沌粒子群优化的BP神经网络算法进行模型分析损伤识别,仿真结果表明该方法提高监测效率,所建模型在桥梁结构监测中具有实用性,为大型桥梁结构损伤研究具有理论意义和实际应用价值。