结构识别是通过分析和优化依据数学力学模型计算的结构响应与实际测试信息之间的差距、进而识别出结构参数的过程。采用结构识别方法对描述实际结构当前状态的分析模型中的识别参数进行结构识别计算时，通常是将对识别参数寻求最优解的问题转化为最优化问题进行求解。在此最优化问题求解过程中常出现不适定性，即识别计算结果是不唯一、不连续的。本文针对基于时域测试数据的结构识别过程中存在的不适定问题，研究了旨在减弱结构识别不适定性的鲁棒方法。通过研究可提高结构识别鲁棒性的正则化技术、迭代增量的限制方法、优化选择识别计算中采用的测试数据的方法，来减弱在采用Gauss-Newton优化迭代计算过程中的三个主要部分：灵敏度矩阵、限制迭代增量的因子、测试数据与对应计算数据之差中存在的不适定因素。 针对灵敏度矩阵的病态性，以及随之产生的微小的测试误差引起识别计算结果剧烈变化的不稳定问题，本文在求解结构识别问题时，引入了一种具有代表性的正则化技术—截断奇异值分解(Truncated Singular Value Decomposition— TSVD)技术，在理论上推导证明了TSVD技术能够改善识别计算结果的稳定性，给出了描述正则化技术实质的最优化问题，推导出了TSVD技术与正则化技术的实质之间的关系式。同时用数值算例对TSVD技术改善识别计算结果稳定性的效果进行了验证。 针对每一步迭代增量所得识别参数须有物理意义的问题，本文引入了迭代增量限制方法来提高求解结构识别问题时的鲁棒性。研究给出了迭代增量限制方法需要求解的约束最优化问题，在此基础上重点研究了限步长方法：并且采用数值算例对限步长方法与其它迭代增量限制方法进行了比较，证明了限步长方法不但是需求解的约束最优化问题的解答，而且能够提高结构识别方法的鲁棒性。 针对基于不同时域测试数据得到的识别计算结果存在发散的不适定问题，从时域测试数据信息量的角度研究了优选时域测试数据以改善识别方法鲁棒性的措施。提出了一种用于结构识别计算的时域测试数据的优化选择方法，以找到不同时域测试数据中信息量最大的一组。并且，通过算例对采用不同测试数据得到的识别计算结果进行了比较，结果证明在其他计算条件相同的情况下，基于本文研究得到的最大信息量测试数据优化选择方法进行识别计算的结果是最合理的，从而证明了本文提出的数据优化选择方法的有效性。 在应用上述三种提高结构识别方法鲁棒性的措施时，都需要结合具体识别问题的特点尝试不同的计算参数，从而会得到不同的识别计算结果：这就需要验证所有识别计算结果的合理性，从中找到能够反映结构当前状态的合理识别计算结果。为此，本文从正则化技术的实质出发，运用L曲线判据的思想，提出了一种验证识别计算结果合理性的方法；并且从优化计算的角度对这种验证方法进行了论证，通过算例证明了此验证方法的有效性；从而丰富了现有的识别计算结果合理性的验证方法。 目前结构识别研究领域内广泛采用以模拟计算数据代替测试数据的纯数值模拟算例进行研究，而模拟数值算例与实际结构的实测结果之间存在较大差别。为解决这一弊端，本文采用了国际结构控制协会与美国土木工程协会研究的框架Benchmark结构作为分析案例，采用该Benchmark结构在某种工况下的时域测试数据，研究了本文提出的各个提高结构识别鲁棒性的方法应用于实际结构识别计算的效果：并且讨论了识别计算采用分析模型的单元个数、阻尼模拟等因素对识别计算结果的影响；论证了分析模型的复杂程度对识别计算结果的影响类似于正则化技术的：识别采用的分析模型越复杂，则所得识别计算结果^θ所对应的目标函数f(^θ)越小、半范数||L^θ||越大。