动态载荷识别在结构优化设计、健康监测与安全维护等领域具有重要的工程应用价值。相比于静态载荷，动态载荷具有时间依赖性和频率特性，并且结构动态响应涉及惯性、阻尼和弹性效应的耦合，从而大幅增加了载荷识别的难度。传统动态载荷识别方法通常高度依赖于精确的结构模型，在处理非线性系统和复杂载荷形式时精度不足，难以满足日益严苛的工程结构要求。近年来，人工智能技术蓬勃发展，其中神经网络凭借其强大的非线性拟合能力、自适应学习能力和特征提取能力，避免了对结构模型的依赖，为突破传统方法的局限提供了新途径。基于上述背景，本文系统开展了从理论模型到实际工程应用的递进式研究，依次针对线性系统分布载荷识别、非线性系统随机载荷识别以及机翼结构的突风载荷识别三类问题，逐步深入探讨了在不同动态载荷识别场景下神经网络的构建与优化策略，并通过模型性能对比分析，验证了方法的有效性。主要研究内容如下：

首先，针对线性系统的分布载荷识别问题，以悬臂梁结构为研究对象，在频域内开展了基于卷积神经网络（CNN）的载荷幅值识别研究。本文提出以三种典型载荷分布形式（直线型、斜线型和抛物线型）作为基向量，通过其线性组合近似复杂载荷分布。采用振型叠加法获得结构在典型分布载荷作用下的稳态响应，构建了训练样本。考虑到结构响应在固有频率附近呈现明显的局部峰值特征，且CNN能够高效提取局部特征并保持数据的空间关联性，进一步建立了1D-CNN模型，实现了从单一测点的频率-稳态加速度幅值到分布载荷幅值的精准识别，突破了传统方法对测点数目的限制。结果表明，该模型在典型载荷识别中的平均相对误差（MRE）低至0.077%，并对未参与训练的叠加型载荷也表现出良好的泛化性能，验证了基向量建模策略的有效性。

然后，针对非线性系统的随机载荷识别问题，以Duffing系统为研究对象，开展了基于长短时记忆（LSTM）网络的载荷时间历程识别研究。通过Runge-Kutta法求解了系统在随机载荷作用下的响应，并构建数据集。由于数据具有时序依赖性，而LSTM网络能够有效捕捉序列数据中的动态变化信息，因此初步使用典型LSTM网络进行识别，发现其载荷幅值预测精度不足（MRE达276.845%）。进一步考虑到载荷作用具有滞后效应，需要结合一定时间窗口内的响应数据来充分反映载荷在时域上的影响范围，因此提出了滑窗LSTM网络。基于多重尺度法分析了窗口长度的物理意义（即位移的渐进衰减过程），并通过网格搜索确定了最优窗口长度。结果表明，滑窗LSTM网络在最优窗口长度下的识别精度显著提升（MRE降低至5.494%），远优于直接求逆法（MRE为807.314%），证明了该方法在处理非线性载荷识别问题中的优势。

最后，研究进一步拓展到更为复杂的实际工程应用场景，以双三角翼结构为研究对象，开展了机翼突风载荷时间历程的识别研究。基于有限元数值模拟，获得了双三角翼在突风作用期间的强迫振动响应及突风结束后的自由振动响应，构建了同时涵盖两种振动模式的数据形式。针对强迫振动与自由振动阶段响应特征差异显著的复杂数据，分别构建了滑窗LSTM网络、CNN-LSTM网络以及引入物理信息约束的PI-LSTM网络。结果表明，滑窗LSTM网络在两个阶段的识别精度均存在明显瓶颈；CNN-LSTM网络借助卷积模块的特征提取机制，显著提升了识别性能；PI-LSTM网络则通过裁剪自由振动阶段数据，并引入掩码机制和自定义损失函数，使网络专注学习载荷作用阶段的特征，完全消除了自由振动阶段的预测误差。上述结果充分体现了特征提取机制与物理信息约束在复杂动态载荷识别任务中的关键作用。