海洋工程结构长期以来在恶劣的海洋环境中运作，利用智能监测技术处理监测信号可以对结构的损伤状况进行反演，或利用多种信息评估结构的整体安全性。本文通过对结构识别理论的研究与拓展，针对现阶段参数识别与损伤识别的现状和问题，引入一种新颖的盲源分离(Blind Source Separation，BSS)即复杂度追踪理论(Complexity Pursuit，CP)。CP-BSS能够综合信号统计特性及时间结构判据作为理论基础，进行仅输出模态参数识别。将CP-BSS算法引入到模态识别领域，并结合Hilbert、统计机器学习中的支持向量机理论，对结构参数及损伤进行探索性研究。主要工作为：
　　首先，介绍了工程背景，系统研究了模态参数识别、损伤识别方法；综述了盲源分离理论的发展历程，以及在结构模态识别领域的应用现状。研究了CP-BSS方法理论的基本原理，包括预处理方法、数学模型及对混合信号的分离过程。仿真实验表明其较传统独立分量分析(Independent Component Analysis，ICA)算法有明显优势。
　　其次，本文首次将CP-BSS引入到结构模态参数识别框架，构建起数学等价性。研究了CP-BSS应用于结构振动信号的可行性，提出了CP-BSS应用于结构模态参数识别的步骤。通过三层框架和简化海上单桩支撑结构模型进行验证CP-BSS应用于结构模态参数识别的有效性。对比分析了CP-BSS与FastICA算法在阻尼、噪声的适应性以及识别高阶模态的精确性。
　　再次，研究了支持向量机理论及并且改进灰狼优化算法。对机器学习算法中的支持向量机理论模型进行深入研究，利用差分进化(Differential Evolution，DE)改进灰狼优化(Grey Wolf Optimization，GWO)算法，仿真实验表明不仅能够提高收敛和搜索速度，还可以增强局部搜索能力以避免其陷入局部极值。
　　最后，针对海洋平台结构，提出了一种CP-BSS结合改进支持向量机(Support Vector Machine，SVM)的损伤识别方法。深入研究了主成分分析(Principal Component Analysis，PCA)的基本原理，给出了CP-BSS应用于海洋平台损伤识别的步骤，应用支持向量机理论，对海洋平台模型进行损伤识别，验证了该算法的可靠性与鲁棒性。