现代无线智能传感器结合云平台可以实现建筑结构的长期健康监测,模态识别是结构健康监测的重要内容。希尔伯特黄变换(Hilbert-Huang Transform, HHT)因其适用于非线性非平稳信号,且具有完全自适应性等特点,在模态识别领域中被广泛应用。与实验室中进行结构模态参数识别不同的是,长期监测中模态参数识别的算法不能出现主观的参数选择过程,而传统HHT的第一步经验模态分解(Empirical Mode Decomposition, EMD)会产生虚假的固有模态函数(Intrinsic Mode Function, IMF)分量,对虚假分量的识别与剔除往往依赖研究人员的主观判断。本文提出了一种基于深度神经网络(Deep Neural Networks, DNN)与K-L(Kullback-Leibler Divergence)散度的新算法,可以自动化识别并剔除EMD产生的虚假分量,从而使得EMD后得到的固有模态函数均为真实分量。