桥梁健康监测通过实时获取桥梁的各类参数,判断桥梁结构状况,及时采取修复措施防止桥梁出现大面积结构损伤,保证桥梁内部结构损伤不超过破坏极限。如何获取准确的桥梁参数数据是桥梁健康监测系统的基础,数据的准确性直接决定了桥梁健康监测系统对桥梁状态的判断。传感器是获取监测数据的直接手段,传感器所处环境恶劣,工作强度大,因此很容易出现故障。基于此,本文提出基于深度学习理论的传感器故障诊断及故障类型识别方法。文章首先以连续刚构桥中挠度监测为例,探讨了监测挠度的激光投射式位移传感器的工作原理,以及激光投射式位移传感器在桥梁工作环境,自然环境的影响下,可能出现的故障类型,故障特征及引起故障的原因。然后通过对比多种深度学习模型,结合故障诊断特点选定深度自编码网络作为故障诊断模型;对比多种训练优化算法,选定L-BFGS优化算法作为模型训练优化算法。结合桥梁健康监测传感器故障数据特征,确定深度自编码网络的输入、输出,以离线仿真试验的方法确定深度自编码网络层数、隐层节点数等超参数。随后利用桥梁实测数据对所提出的故障诊断方法进行了验证,与传统BP神经网络传感器故障诊断方法和支持向量机的传感器故障诊断方法进行对比,对比结果表明BP神经网络的诊断准确率为74.5%,支持向量机的诊断准确率为76.7%,深度自编码网络的诊断准确率为94.5%,基于深度学习的传感器故障诊断方法准确率提升17.8%。最后分析桥梁损伤的特点,结合传感器关联性构建了一种区分桥梁损伤和传感器故障的方法。