海量结构健康监测数据的有效分析与处理对保障工程结构的安全、高效运营具有重要意义,已成为当前土木工程领域的研究热点及前沿方向。面向大跨度桥梁海量监测数据的分析处理需求,本文紧密围绕多源数据的预测方法及其应用开展研究,主要研究内容包括:（1）基于改进贝叶斯动态线性模型（BDLM）的大跨度桥梁应变响应建模与预测。为提高BDLM的预测精度,除考虑趋势、季节和回归项外,引入自回归（AR）项描述上述分量之外的不规则时间序列成分。结合期望最大化与卡尔曼滤波方法估计了BDLM参数,采用赤池信息准则及均方根误差确定了AR项的阶数。基于优化后的BDLM对苏通大桥应变数据进行了一步及多步预测,并对比了传统BDLM、多元线性回归模型及AR模型的预测性能。（2）基于改进BDLM的监测数据异常诊断研究。将改进BDLM方法应用于监测数据的异常诊断,采用子空间识别方法解决了参数估计的初始化问题。在此基础上,针对监测数据的类型及特点,结合BDLM的不同成分进行建模,根据相邻时间步的对数似然值变化开展异常诊断。采用仿真数据、苏通大桥的应变响应及江阴大桥船撞期间的加速度响应数据,验证了改进BDLM异常诊断方法的有效性。（3）基于切换BDLM的桥梁伸缩缝性能异常诊断研究。基于伸缩缝位移的实测数据,结合BDLM和马尔可夫切换理论,通过多个BDLM之间的转换估计每个时间步的真实状态,建立了基于切换BDLM的桥梁伸缩缝性能异常诊断方法。采用子空间初始化的期望最大化算法优化了切换BDLM参数,并与牛顿-拉夫逊方法在计算性能及准确性方面进行了对比。通过仿真数据验证了该方法的有效性,并将其应用于苏通大桥伸缩缝的性能预警。（4）基于贝叶斯动态回归的缺失数据重构研究。针对静态回归无法反映变量的动态相关性问题,研究了基于贝叶斯动态回归模型的缺失数据重构方法。采用期望最大化算法确定时变回归系数,并结合卡尔曼滤波估计了模型参数。引入移动窗方法,通过固定训练样本尺寸加快贝叶斯动态回归的计算速度,以期实现海量监测数据的实时处理。采用实验室缩尺模型及苏通大桥的监测数据对该方法的重构性能进行了验证。（5）基于集成学习的大跨度桥梁阵风风速概率预测研究。为克服单一模型预测性能稳定性差、鲁棒性弱等问题,建立了基于随机森林、长短期记忆神经网络（LSTM）及高斯过程模型的集成学习方法,实现大跨度桥梁阵风风速的概率预测。采用随机森林及LSTM模型的输出值作为高斯过程模型的输入,以量化预测过程中的不确定性。将集成模型与随机森林、LSTM以及高斯过程等基础模型的预测效果进行了对比,检验集成模型的预测及泛化性能。（6）强/台风作用下大跨度桥梁风振响应概率预测研究。针对有限元模型风振响应计算的低效性问题,提出了基于分位数随机森林模型的大跨度桥梁风振响应动态预测方法。将风特征参数作为输入变量,引入贝叶斯优化算法获取模型的超参数。结合优化后的预测模型比较各输入特征的重要性程度,以确定最终输入变量。利用苏通大桥的长期强/台风实测数据,对比了不同优化算法及模型的计算效率与预测性能。