结构健康监测技术方兴未艾,在相当长一段时间内将一直是土木工程领域十分活跃的课题。正确有效的参数识别方法是健康监测系统的关键问题之一,也是健康监测系统的最终表象。尽早的发现结构损伤,并及时检测和修复,不仅可以大大降低结构的维护、维修费用,还可以避免或减少不必要的生命财产损失,因此损伤识别技术一直是工程界研究的热点。钢桁架桥梁是我国应用非常广泛的桥型之一,但在长期的动力荷载作用和锈蚀的影响下,钢桁架桥梁的安全状况令人担忧。研究能够快速、高效对钢桁架桥梁进行损伤识别的方法显得尤为重要。结构发生损伤必然导致结构动力特性的改变,基于结构动力特性的结构损伤识别是当前学术界和工程界研究的热点。本文首先简要介绍了现有的多种损伤识别方法。其次,依据遗传算法是一种有效的全局搜索优化算法,不易陷入局部最优解,且具有很强的鲁棒性,和神经网络法具有良好的非线性映射能力、自适应和自学习的能力、较强的泛化能力和实时计算能力,但容易陷入局部最优解等特点,引入了遗传优化—神经网络进行损伤识别的新技术。运用遗传算法对神经网络的初始权值与阈值进行优化,可以较好的利用两种算法的优点,实现优势互补,提高损伤识别的速度与精度,对损伤识别的发展具有很大的意义。本文通过对遗传算法及BP(Back Propagalion)网络的工作机理、扩展性和开放性的研究,借助Matlab实现了遗传算法与BP网络的融合。并成功地将遗传优化BP神经网络应用于钢桁架结构的单点和多点损伤识别中,均取得比较理想的效果。结果表明,结合遗传算法后不仅使BP网络的初始误差降低,更使网络训练的收敛速度大大提高。神经网络充分发挥了其映射、泛化和内插的能力,对结构不同位置、不同程度的损伤都具有很好的识别能力。结合遗传算法的BP网络不仅能进行对结构单点损伤的识别,当结构发生多点损伤时,此方法同样能取得较好的效果。充分体现了神经网络极强的非线性映射能力和联想能力,具有很大的实际意义和指导意义。