随着钢结构建筑在现代城市建设中的广泛应用，其健康监测与故障诊断问题逐渐成为结构工程领域的研究重点。本研究探讨了一种基于机器学习的钢结构健康监测与故障诊断方法。首先，研究了钢结构建筑健康监测系统的基本架构与工作原理，重点聚焦于特征提取和特征降维方法研究。其次，构建了支持向量机（SVM）模型进行健康诊断，并引入Bagging集成学习方法对模型进行优化。最后，通过公开的振动故障诊断数据集验证了本方法在钢结构健康监测中的有效性。实验结果表明：本方法相比传统方法在分类准确性、精确度、召回率和F₁值等方面均表现出显著的优势。