桥梁长期在自然环境(大气腐蚀、温度、湿度变化)和使用环境(荷载作用与频率的增加、材料与结构的疲劳)的作用下,总会逐渐产生损坏现象,这是一个不可逆的过程。从安全和节约建设成本的角度考虑,及时掌握损伤信息并作出处理决策,对城市运营和未来发展有着积极的意义。　本文结合北京市自然科学基金项目——北京市公路桥梁损伤识别与维护智能决策技术的研究,着眼于目前损伤检测领域一种较热门的检测方法——神经网络方法在公路桥梁损伤识别中的应用研究。人工神经网络作为一种自适应的模式识别技术并不需要预先给出损伤判别的函数,它是通过自身的学习机制自动形成所要求的决策区域,它能够充分利用样本信息,对不同的样本逐一进行训练从而获得均衡的收敛的权值,这些权值即代表了网络中内含的非线性映射关系,即,结构的损伤信息,从而实现结构的损伤检测。　针对神经网络在结构损伤检测应用中的不足,本文对BP(back-propagation)算法提出了改进——权值阈值同步学习的BP 算法,并着重分析了改进BP 网络建模中的一些不确定的因素,提出了建模中的注意要点和选择建议。主要工作有以下几个方面:　1、在详细论述BP基本理论以及应用设计方法的基础上建立了桥梁损伤检测的BP神经网络模型。　2、提出了权值、阈值同步学习的BP算法,在保证精度的前提下有效地改善了网络训练速度,使神经网络更加适用于实际工程。　2、对改进BP网络建模时的几个关键问题进行详细研究,如输入参数选取、样本处理、重要参数的取值范围等。　4、参照实际公路桥梁数据,建立大型复杂有限元模型,将传统BP神经网络和改进BP神经网络方法分别应用于大型桥梁工程中,并作了简单比较。