现有的结构健康监测系统（SHM）对作用在结构上的外部荷载和全部结构响应仍然难以有效地直接测量，因此根据部分结构响应反演结构荷载和全部响应成为获取信息的重要手段。在现有的反演算法中，基于增广卡尔曼滤波（AKF）的响应-荷载联合识别算法已被广泛研究。然而，在现有的AKF算法中，为了构建增广状态向量而被迫引入的荷载演化模型，例如著名的随机游走假设（RW），高斯过程潜在力模型（GP-LFM）等，通常与实际情况并不能完全符合，这对一般荷载构成了潜在的约束和局限。为了消除这个不合理的限制，本文提出了一种基于隐状态模型的增广卡尔曼滤波算法（ISAKF）。与传统的AKF相比，ISAKF最大的区别在于消除了强加在荷载上的先验演化模型。然而，消除荷载的先验演化模型不可避免地会减少系统的约束数量，这必然会导致识别算法的鲁棒性降低。为了增加算法的鲁棒性，本文利用Newmark-β方法建立了附加方程，它可以加强增广状态中各分量之间的联系和约束。在所提出的ISAKF算法中，离散时间递归方程与传统的状态方程在形式上完全不同，因此传统的卡尔曼滤波（KF）框架不再适用，本文基于新的状态方程推导出了一种新的滤波框架。与传统KF相比，ISAKF具有更明确的物理意义，同时具有更简洁的推导过程。两个数值案例用于验证所提算法的有效性，第一个案例展示了ISAKF在仅位移观测场景中联合识别结构状态和荷载的性能，第二个案例展示了ISAKF在地震条件下结构表现出非线性行为时识别地震荷载和等效非线性力的性能。最后，通过在缩尺的五层剪切型建筑模型上进行实验，验证了所提ISAKF算法的适用性。

增广卡尔曼滤波,隐状态模型,响应-荷载联合识别,Newmark-β方法,鲁棒性