为了改善桥梁结构健康监测数据多模式异常检测难以全覆盖的问题，提出了基于迁移学习图像识别技术的数据异常检测方法。首先，绘制结构应变和温度数据时程图，统计分析数据日周期变化规律，并标记异常类型作为训练集；通过图像仿射变换实现数据增强，减少网络对不平衡数据集的过拟合。其次，以AlexNet预训练网络为基础，选择迁移学习策略，建立多个对比模型用于分析不同优化算法、初始学习率、Dropout取值和结构轻量化对网络识别结果的影响；以模型分类准确率、训练速率和内存需求作为评价指标，获得性能优越的监测数据异常检测深度网络模型，模型对试验数据的异常分类准确率可达95.5%,体量可缩减94.7%。最后，基于优化模型编译数据异常检测模块，并以某斜拉桥一个月的监测数据为例进行验证，验证集准确率为98.0%。所提方法准确率高、计算速度快、内存需求小，方便应用于桥梁健康监测数据预处理平台。

U446 / TP391.41