从稀疏测量数据中联合识别结构荷载、参数与响应对于评估基础设施的运营状态至关重要。现有的联合识别方法通常需要较多先验信息，如荷载作用位置以及过程噪声和观测噪声的协方差矩阵等，而这些信息在实际工程中往往难以获得。为此，本文提出了一种基于响应传递矩阵的稀疏贝叶斯学习方法，用于荷载、参数与响应的联合识别。该方法将损伤指标（定义为结构参数变化）和荷载的空间稀疏性作为贝叶斯框架中的先验信息，采用期望最大化算法（EM）迭代估计损伤指标、未知荷载时程、测量噪声和其他方差参数的最可能值。为计算EM算法中的期望值，本文提出了一种改进的Metropolis-Hastings算法，用于联合生成结构参数和荷载的后验样本。随着算法收敛，部分超参数趋于无穷大，相应的损伤指标和荷载值趋于零，从而实现损伤指标和荷载的稀疏识别。最终，损伤指标与输入荷载被同时定位和量化，结构全域响应也被精确重构。本文通过数值简支梁模型和实验室三层框架模型对提出方法进行了验证。结果表明，即使在荷载位置未知时，提出的稀疏贝叶斯方法也能准确识别损伤指标和荷载，并精确重构全域响应。

稀疏贝叶斯学习,最大化期望算法,损伤识别,荷载识别,响应重构