在各种因素的影响下,桥梁结构上会出现不同的损伤类型,日益侵蚀结构性能,为日后结构失效留下隐患。及时发现损伤并制定合理措施能有效降低发生极端事件的概率。目前,损伤检测方法研究的主要方向为,处理与分析采集的结构响应数据来获取有关结构损伤的信息,并对结构状态作出判断,即数据驱动方法。然而,在对桥梁的长期监测下会积累海量数据,一般数据驱动方法无法有效地利用如此大量的数据。深度卷积神经网络（Deep Convolutional Neural Network,DCNN）在图像识别领域已被证明其处理大数据的能力十分强大。另外,像加速度计这种常规的传感器对于大型结构的监测存在许多局限性,如易受电磁干扰、需布设密集传感器等。针对以上问题,本文提出一种结合深度学习与光纤传感器的损伤检测方法,同时探究DCNN从不同数据中学习到的特征以及损伤检测性能上的差异,并验证基于振动的迁移学习在损伤检测中的可应用性。主要研究内容如下:一、根据数据类型与传感器数量设计DCNN模型,包括网络深度、卷积核尺寸与数量等的选择。然后使用基于Python语言的深度学习框架构建网络模型,同时编程将学习到的卷积核可视化以更好理解模型的运作机制。二、利用钢梁振动试验采集的加速度与波长数据建立三种数据集,以供搭建的DCNN训练。再将损伤检测划分为分类任务与回归任务,各自用来识别结构损伤状态及定位量化损伤。最后使用测试集数据验证与比较训练模型的泛化性能。研究结果显示,加速度与波长的融合数据训练的模型在两个任务中都表现出较好的性能,并且各模型学习到的卷积核各不相同。三、将钢梁损伤检测任务的训练模型特征参数迁移到钢筋混凝土梁的损伤检测任务中,并与未加载预训练模型参数的模型作性能对比。测试结果显示,迁移学习能很大程度上降低模型的训练时间,并且能保持较好的预测性能。特征可视化结果证明进行过迁移学习的模型与预训练模型的特征参数大致相同。