土木工程损伤识别是结构健康监测的重要环节。现阶段,大数据下的人工智能算法为损伤识别带来新的机遇与挑战,如神经网络、遗传算法等已经在大型复杂结构的损伤识别和模型修正方面得到了广泛研究,显示了智能算法的潜力。由于结构响应和损伤状态存在不确定性的关系,本文基于一种时序概率模型-隐马尔可夫模型(HMM),将两者建立一个概率关系,对结构损伤存在性、损伤定位和损伤程度识别进行研究。主要内容包括以下几个方面:在介绍HMM基本理论的基础上,提出了应用HMM进行结构损伤识别的若干方案,包括基于HMM-lnKL指标的损伤存在性识别方法和用于损伤定位和程度识别的基于贝叶斯极大似然概率的模型库法和基于Viterbi算法的隐状态序列识别法。基于离散隐马尔可夫模型(DHMM)对三个层次的结构损伤识别进行了研究。通过一个简支梁桥模型产生的样本数据训练DHMM,利用HMM-lnKL指标对结构进行损伤存在性识别。对损伤位置和程度的识别,研究HMM模型库方法和隐状态序列识别方法。对模型库法,通过训练单、双和多损伤工况的DHMM库,对损伤位置和程度先后进行识别;研究了HMM的分类能力和分类泛化能力。对隐状态序列识别法,通过构造特定的状态转移结构,训练出一个HMM,用Viterbi算法寻找概率最大的隐含状态序列来识别结构损伤状态。比较两种方法,表明模型库法在结构损伤识别上更具有适用性。进一步基于连续隐马尔可夫模型(CHMM)对三个层次的结构损伤识别进行了研究。应用CHMM改进DHMM中的观测值为正整数值的问题,提高了识别的准确性。引入支持向量机模型,提出基于连续隐马尔可夫模型-支持向量机(CHMM-SVM)的损伤识别方法。针对CHMM在处理第二、三层次的分类泛化能力不强的问题,将泛化能力更强的SVM与动态信号处理能力更强的HMM相结合,提高了损伤识别的准确性。通过对实验室桁架桥试验数据和西堠门大桥现场实测数据对本文研究的方法进行了验证,表明基于HMM的损伤识别方法在实际结构中有较好的应用潜力。