桥梁建设的不断发展过程中，大跨度桥梁作为重要发展方向，受到越来越多的关注与研究。伴随着桥梁跨度增加的有结构对风荷载作用的敏感度，涡振作为桥梁风致振动中常见的风致振动病害之一，其发生机理涉及流固耦合与非线性效应，无法准确预测；其产生条件相对简单，存在多个起振风速区间，容易发生；其对结构与交通的影响包括结构疲劳与行车安全，不容忽视。桥梁健康监测系统的普及，为桥梁涡振的研究提供了大量实测数据和研究思路，但大量数据的筛选与处理工作也为研究带来新的问题。
　　本文对国内外研究与应用现状进行了梳理和总结，以西堠门大桥的健康监测系统，于2016年的测得的主梁振动与桥面风速数据为研究对象，对西堠门大桥结构动力性进行了研究，并使用自动识别方法对全年涡振数据进行了识别。具体研究内容和结论如下：
　　(1)使用有限元建模对结构竖弯模态进行分析，得到前几阶竖弯模态的理论频率与振型；对实测数据使用峰值法进行模态分析，综合多个测点位置和不同时段的识别结果，得到西堠门大桥竖弯振动的前几阶真实频率。结果表明：有限元分析与实测数据结果基本吻合，由于建模过程的简化和算法会存在误差；实测数据中，由于不断变化的荷载和测点在模态振型中的相对位置，需要分析多个测点位置在多个时段的数据，综合考虑以得到准确完整的模态频率分布。
　　(2)使用两个数值模拟试验，验证了AMD-RDT方法在阻尼比和频率识别方面的准确性与有效性，并基于实测数据，使用该方法分析了西堠门大桥各阶模态的阻尼比和频率。结果表明，结构模态频率的识别结果受风速变化的影响较小，而阻尼比对风速比较敏感；高风速情况由于结构振动及与来流风场的相互作用导致结构阻尼比识别结果不准。
　　(3)基于环境振动数据，对结构阻尼比进行了两次自动识别，识别结果呈现较大离散状态；随后对识别结果中出现的误差进行分析，发现风速的大小和频率在振动中的参与程度均对识别结果有较大影响，由于自动识别方法不能对数据进行有效筛选，总结出几条标准用于人工选择合适的阻尼比分析数据。基于人工筛选数据，得到了更准确的阻尼比，并发现第一阶模态在不同测点处出现差异。具体筛选标准如下：风速小于3m/s；对于低阶模态，功率谱中同时存在两个或更多明显的峰值，且选用的频率不是远大于或远小于其它峰值；对于高阶模态，功率谱中能观察到该阶模态频率的明显峰值；选用模态的AMD-RDT信号基本符合单自由度自由衰减信号的特征，且拟合信号与原信号无明显偏差；避开模态振型驻点处测点数据。
　　(4)利用环境振动与涡激振动时两种信号中各阶模态能量分布的差异，由机器学习神经网络技术构建的涡振自动识别方法进行了涡振识别。该方法以西堠门大桥环境振动数据的功率谱分布作为输入数据，训练BP神经网络模型，利用新奇检测技术为网络输出数据设计新奇指标并计算阈值，当涡振数据输入网络时，得到输出数据的新奇指标会大于阈值。结果表明：从三个不同位置测点的综合结果，得到80多次涡激振动事件，包括第七阶模态在内的前九阶竖弯模态均有发现；涡振发生时的风向基本垂直于桥轴方向，且各阶涡振均集中发生在紊流度低于15%时，但不同模态阶次的涡振对应不同风速区间。