结构的模态参数(频率、振型、阻尼比)是结构的一个固有本质特性,是了解结构动力特性、进行结构损伤检测与安全评估的重要依据。然而,传统的结构模态参数识别方法在应用时往往需要较多的人工干预和参数设置,在结构健康监测系统中难以实现模态参数的自动识别,严重影响结构健康监测系统在线预警。如何实现结构模态参数的智能识别是值得研究的问题,为此,本文结合机器学习理论,研究环境激励下结构模态参数的智能方法。本文主要研究内容包括:提出了一种基于模态独立性的环境激励下结构模态参数识别的机器学习方法。该方法首先将模态参数识别问题转化为深度学习问题,然后考虑模态响应的不相关性和非高斯性构造损失函数以估算模态参数。对数值模拟算例和某斜拉桥结构健康监测数据进行了验证,结果表明,所提出的方法与常用的频域分解法,随机子空间法和NEx T+ERA方法等具有相似的模态识别精度,但明显优于传统独立成分分析方法。提出的方法具有一定的智能数据处理能力,为环境激励下的结构模态参数识别提供一种新的选择。提出了一种基于结构响应时频域稀疏性的环境激励下结构模态参数识别的机器学习方法。利用结构振动响应数据在时频域具有稀疏性的特点,首先将结构振动响应数据从时域变换到时频域,然后挑选出对应于各阶模态处的响应单源点,其次对单源点进行对称化和归一化,最后利用设计的竞争型神经网络求得单源点的聚类中心,也就是各阶振型系数的值。对某斜拉桥实际结构健康监测数据进行了验证,所提方法能较好的识别得到振型系数。提出了一种基于有监督多任务学习的环境激励下结构模态参数识别的机器学习方法。该方法将结构系统响应数据作为网络输入,分离得到的各阶模态响应作为标签,通过发挥深度神经网络强大的学习能力,训练深度网络并使其能自动将系统响应分离为模态响应,得到结构模态响应和振型系数。通过数值模拟算例验证了方法的有效性。