随着中国经济的快速发展,桥梁建设规模不断扩大。桥梁建成以后,桥梁的质量会随外界环境而发生改变,因此需要对桥梁结构进行安全评估,并提供桥梁健康的维护建议。本文通过搭建简支梁桥结构健康监测平台,对简支梁桥结构进行实时监测,进而分析监测数据并预测桥梁结构破坏状况,为后续完整的桥梁健康监测系统提供技术支撑。主要研究内容如下:（1）本文针对简支梁桥模型提出了结构振动数据与机器学习相结合的简支梁桥损伤识别方法。首先,引入一个简支梁桥实例,采用144个简支梁单元和一个弹簧单元进行建模,用不同振幅的独立随机激振源在三个位置点激振,通过47个加速度传感器获得了未损伤和不同损伤等级的数据集。然后,引入最大相关峭度反卷积（MCKD）、极值统计（Extremum Statistics）和快速傅里叶变换（FFT）等数据预处理算法以及支持向量机（SVM）、决策树（DT）、k个最近邻（k NN）、判别分析（DA）等机器学习分类算法,用于识别简支梁桥的损伤。最后,实验表明,数据集通过预处理后可以获得数据的特征,使用机器学习分类算法对包含特征的新数据集进行分类,验证了数据预处理算法提取特征的有效性,可以得到最适合该简支梁桥的损伤识别方法,其中SVM的识别准确率可达到92%。（2）本文针对简支梁桥结构的主要成分（混凝土）提出了声发射（AE）监测与机器学习分类算法相结合的混凝土裂纹分类方法。首先,引入一个实例:非对称安装五个声发射传感器在一组尺寸为15×15×15 cm3的混凝土立方体上,传感器用硅油固定在混凝土表面,通过施加三类载荷（剪切、拉伸和混合）获得三类声发射信号数据集。然后,利用高斯平滑滤波方法处理原始信号,再使用两种信号处理方式:一种是将平滑处理后的数据进行希尔伯特-黄变换（HHT）、经验模态分解（EMD）和变分模态分解（VMD）后再进行特征提取,包括瞬时频率（Instantaneous Frequency,IF）、谱熵（Spectral Entropy,SE）、谱峭度（Spectral Kurtosis,SK）和谱L2/L1范数（Spectral L2/L1 Norm,SLN）;另一种是将平滑处理后的数据集进行小波分解（Wavelet Decomposition）,以网格搜索的方法进行参数寻优。最后,本文将处理后的数据集输入到这些机器学习算法中对AE信号进行分类,通过对比两种处理方式下的分类准确率以及稳定性,结果发现三类AE信号经过高斯平滑和小波分解后,利用传统机器学习算法对处理后的信号进行分类,准确率可达到95%以上,其中超参数优化后的Subspace k NN分类效果最为出色,性能最为稳定,这就表明该方法对简支梁桥混凝土结构裂纹进行分类是有效可行的。（3）本文使用Django Web框架设计了一个简支梁桥健康智能监测系统。通过在系统中添加了机器学习工具箱,能够实现对监测数据进行预处理、在线可视化以及分类分析等功能,为简支梁结构健康监测领域提供了新的思路和方法。