针对具有大量不确定性参数的复杂空间结构，其模型修正易呈现局部可识别甚至不可识别的情形，同时面临损伤识别精度不足以及后验分布计算困难等挑战。本文提出一种结合变分贝叶斯推断、改进Jaya算法和多链差分自适应进化算法（multi-chain differential evolution adaptive algorithm, DREAM）的稀疏贝叶斯学习方法。该方法构建了基于DREAM多链采样的变分贝叶斯推断的求解框架，突破了传统单链采样算法对建议分布的过度依赖，无论后验分布是否满足标准形式，均可实现高精度的后验概率分布计算。同时改进Jaya算法的进化策略并引入自适应混沌扰动机制，有效解决了原始Jaya算法易陷入局部最优的缺陷，从而平衡结构损伤识别精度与效率的需求。
    首先基于输电塔缩尺模型实验，采用两阶段损伤识别策略验证方法有效性。第一阶段为无损模型修正，修正后固有频率平均误差从初始模型的36.70%降至3.05%，MAC平均值从0.90提升至0.98，为第二阶段斜支撑损伤识别提供可靠基准。损伤识别第二阶段的四组算法对比结果表明，本文所提算法在所有损伤单元中的平均识别误差仅为0.65%，显著优于其他算法，验证了方法在复杂损伤场景下的精度优势。进一步将该方法应用于实际船型高层建筑的不同层次及不同类别构件损伤识别。首先进行了无损模型修正，初始有限元模型计算频率与测量频率的平均误差达10.5%，而修正模型的平均误差可降低至4.0%，初始模型与测量振型的MAC平均值仅0.58，而修正后MAC平均值达0.95，一致性良好，为后续损伤识别提供可靠的基准模型。由于模型修正过程中需反复调用有限元模型，计算开销大，在船型高层建筑损伤识别中采用基于注意力机制的CNN代理模型进行数值验证，证明了方法在大型复杂结构特定构件损伤识别中的广泛适用性。