探讨了2种基于数据信息最大化准则的传统传感器优化布置方法：基于Fisher信息阵行列式值最大的有效独立法（EFI）和基于模态应变能最大的运动能量法（KEM）.针对它们的不足提出一种新的传感器优化布置方法--有效独立-驱动点残差法（EFI-DPR）.运用均方差最小准则、抗噪性能最好准则和模态保证准则来评价各种优化布置方法的优劣.数值分析表明：有效独立-驱动点残差法是3种优化方法中最好的方法.

传感器优化布置是结构健康监测研究的重要内容，传感器数量和位置的选择直接关系到模态参数识别的效果及模型修正的结果等。为了达到布置在结构上的有限传感器能够测量并得到用于模态参数识别的最佳信息的目标，提出了基于数据融合的传感器优化布置方法。该方法以距离测度作为数据融合的融合度，首先通过对距离测度矩阵、支持度矩阵的计算，得到待选测点的综合支持度；其次，根据待选测点的综合支持度大小来确定传感器优化布置的位置；最后，以网架结构的传感器优化布置为例，运用峰值法进行自振频率识别，通过已选测点与未选测点识别效果的对比，验证了该方法的有效性。

提出了利用逐步消去法(backward sequential algorithm,BSA)、萤火虫算法(firefly algorithm,FA)分别和类卡尔曼滤波算法(excitation identification Kalman filter,EIKF)结合,以结构响应重构为目标,对不同类型传感器同时进行位置优化的方法.通过对萤火虫算法进行二进制编码,使其能够解决传感器优化布置问题;以结构响应重构误差方差平均值为目标,以离散萤火虫算法和逐步消去法为求解方法实现传感器位置的优化;利用预测的状态向量值对激励和感兴趣位置处的结构响应进行重构.用一个二维桁架模型来验证所提出方法的实用性和有效性.数值算例结果表明,利用两种方法得到的优化位置处的测量信息求得的重构激励和响应与理论值能够很好地吻合,对比验证了两种方法的有效性.

针对已经存在的ROC准则、模态累加准则等模态选取方法进行了研究,针对这些方法在复杂、对称的空间大型桁架结构中无法有效地选取关键模态信息的问题进行了深入的探讨,并提出了解决此类问题的模态误差贡献率法(MER)。通过以8m天线背架为研究对象,在有效独立法的基础上,对既有的ROC法、模态叠加法和MER法进行了对比,结果表明:MER法有效地解决了复杂、对称的大型空间桁架结构的模态选取困难问题,有效地保留了能够更好反映结构信息的模态。