近年来,结构健康监测技术作为一种非侵入式的预防性保护手段,在古建筑木结构保护中的应用日益增加。结构健康监测系统的海量监测数据能够为古建筑木结构的保护和修缮提供重要的数据支撑,对结构进行有效诊断分析。本文以某藏式古建筑木结构健康监测系统的近八年长期监测数据为研究对象,针对其异常识别进行了以下研究,主要研究内容和结论如下:（1）本文通过对藏式古建筑木结构温度数据与应变数据的特征分析,利用二者的互相关系数,得出结论为温度和应变均以日和年为周期进行周期变化,经过多项式拟合与功率谱分析可知二者相关性极高。并且,以时均值为研究单元,可以忽略应变滞后温度效应的影响,即藏式古建筑木结构中,应变与温度的变化可以看作为同步发生的。（2）对于传感器失真数据的预处理是保证数据准确性可靠性的必要手段,本文提出Sobel-CNN模型对传感器失真数据进行识别。通过实际结构的监测数据进行验证,成功利用该模型对三种数据失真模式（即数据重复、数据缺失、离群值）和正常模式进行分类识别,模型精度为95.4%。（3）以应变与温度之间的高相关性为研究基础,基于SSA-PR和VMD-PR方法建立了应变与温度数据之间的回归模型,将应变分离为温度应变和残余应变两部分,且得到结论:相较于SSA-PR模型,VMD-PR模型的优势在于能够快速处理大量的监测数据,两模型均能有效地分离出温度效应引起的应变。对于分离出的温度应变,采用Prophet模型对分离出的温度应变进行两年的预测,使用实测数据验证,证明该模型的预测精度较高,推广该模型可以实现对温度应变的五年预测,获得温度应变的未来变化趋势。对于分离后的残余应变,将其视为结构损伤指标,使用拉依达法则对残余应变中的异常变化趋势进行识别,得到结论为7、8月份时残余应变会发生异常变化,推测其为环境因素中湿度的影响和游览人群增多的影响。（4）以同一子结构内同源多传感器之间应变数据的高相关性为研究基础,对传统K-means聚类算法进行改进,并采用改进后的算法对同一结构体内同源多传感器之间的相关矩阵进行计算,实现异常测点的定位。图63幅,表13个,参考文献57篇。