我国土木工程行业正在由大规模建设向新建、改造与维护并重转型,工程诊断的重要性日益突出。利用结构的振动监测数据及时识别损伤、诊断结构的健康状况,一直以来都是结构健康监测与诊断技术的研究热点。目前,人工智能技术的飞速发展已经极大改变、丰富了结构的诊断技术,结构损伤的智能诊断技术正受到越来越多的关注。利用振动响应对结构损伤进行智能检测与诊断的关键在于信号中损伤敏感特征的提取及模式分类。本文提出一种基于一维空洞卷积神经网络的结构损伤识别方法利用空洞卷积来代替传统的卷积与池化的组合层,保持参数数量不变的情况下增大感受野,从而解决传统的深度二维卷积神经网络模型在处理一维结构振动信号时存在模型参数大、信号细节信息损失、泛化性能不好等问题;同时采用全局池化代替传统的全连接层来减少模型参数,以防止过拟合的出现;进而针对实际采集振动信号过程中数据集类别不平衡的现象,通过对不同类别信号设置惩罚权重来训练代价敏感分类器,能有效地从不均衡振动信号样本中提取损伤敏感特征,提高了样本不平衡情况下的结构损伤检测精度。卡塔尔大学看台缩尺模型损伤实验的验证与应用分析表明,利用本文方法能够在最大限度保留信号细节信息的情况下,从原始加速度信号中自动提取最优特征并分类,具有较高的分类准确率,可用于实时损伤检测。在实际工程中,被监测结构的振动响应信号中既包含结构损伤位置信息又包含了损伤程度信息,目前利用深度学习实现结构损伤识别时多用单任务学习算法,在对特征的提取过程中往往侧重于提取与任务需求有直接关联的敏感特征信息,而忽视了模型输入中所包含的其他有用的信息。为了避免单一任务学习的片面性,本文构建了基于一维空洞卷积神经网络的多任务深度学习模型。利用一维空洞卷积神经网络构建自适应共享特征提取器,从原始振动响应中提取浅层次的共享特征;其次,建立实现结构损伤位置识别和损伤程度量化的两个分支任务,通过不同任务之间的信息互补,实现对损伤信息更加全面、更深层次的提取,同时提高了损伤识别及损伤程度的识别精度。五层框架结构的数值算例和实验模型的损伤识别研究验证了多任务学习模型在模型收敛、识别精度上的优势以及良好的泛化性能。