桥梁作为交通运输工程中的重要项目,是连接不同线路的关键节点。桥梁结构在其服役期间,由于外部荷载、自然环境、材料性质等因素,必然会发生不同程度的疲劳和损伤,严重影响结构的安全性、适用性和耐久性,关系到人民群众的生命财产安全,因此有必要采取准确的损伤识别方法,及时发现结构的损伤状况。传统的识别方法在处理海量的数据方面存在计算能力不足、识别准确率偏低的问题,深度学习凭借其多层次的感知器,可以处理高维海量的数据,因此在损伤识别领域相比传统的模式识别方法有较大的优势。本文的主要研究工作有:（1）阐述了深度学习的理论发展,介绍了目前主流的三种深度学习网络模型,比较各自的性能,通过对比,选择深度置信网络作为桥梁损伤识别的方法。（2）提出基于深度置信网络的桥梁结构损伤识别方法,搭建适用于桥梁损伤识别特点的深度置信网络。（3）以简支钢梁为例,利用所提出的方法对直接提取的结构竖向加速度响应做损伤识别分析,得到关于结构的损伤位置和损伤程度的识别结果,并与传统的SVM支持向量机、BP神经网络作比较,结果表明:该方法识别性能明显优于传统的识别方法,且抗噪性能优异,识别准确率均在85%以上。（4）以预应力混凝土连续梁为例,设置多损伤工况,比较所提方法与SVM支持向量机、BP神经网络的识别结果,结果表明:该方法在多损伤工况下识别性能与传统方法相比有优势,在多损伤工况下具备一定的抗噪性能,在30%的噪声状况下损伤定位识别准确率在85%以上,定量识别准确率略低,在70%左右浮动。（5）提出基于小波变换和深度置信网络的识别方法,对斜拉桥的多损伤工况展开识别,比较所提出的深度置信网络的识别方法,对比结果表明:该方法的抗噪性能要明显优于深度置信网络的识别方法。（6）运用所提出的基于小波变换和深度置信网络的识别方法,对工字钢梁展开损伤识别的试验验证,试验结果表明:该方法在实际情况下能够识别出结构的损伤状况,且识别准确率较高,损伤定位和损伤定量的结果均在80%以上。综上所述,基于深度学习理论的损伤识别方法可以用于桥梁结构,且性能较好,但是如何在实际条件下施行该方法还有待更深入的研究。