Toestandbeoordeling en evaluatie van bestaande bruggen wordt vaak gedurende hun levensduur door de brugbeheerders uitgevoerd. Als de betrouwbaarheid en functionaliteit op basis van de gemaakte bouwkundige beoordelingen niet kan worden gegarandeerd, moeten de bruggen worden vervangen of versterkt. Structurele gezondheidsmonitoring helpt om vroegtijdig schade in een brug op te sporen, die op tijd kan worden opgewaardeerd of gerepareerd, waardoor de onderhoudskosten worden verlaagd en de levensduur van constructies wordt verlengd. De niet-destructieve methoden, zoals X-ray, ultrasound en visuele inspectie zijn lokale technieken die alleen schade op of nabij het oppervlak van de constructie kunnen detecteren. Trillingsgebaseerde schadedetectie-methoden (VBDD) zijn echter globale schadedetectiemethoden die kunnen worden toegepast voor complexe constructies en monitoring op lange termijn. Methoden voor overdraagbaarheid en modale kromming zijn de twee geselecteerde VBDD-methoden om in dit werk te bestuderen. Het doel van dit proefschrift is om schade aan bruggen en constructies te detecteren met behulp van trillingsmeetgegevens. Om de nauwkeurigheid en het niveau van schade-identificatie te verbeteren, wordt machine learning daarom beschouwd als een veelbelovende benadering om te combineren met VBDD-methoden. Machine learning houdt in dat computers ontdekken hoe ze taken kunnen uitvoeren zonder daarvoor expliciet te zijn geprogrammeerd. Hierbij leren computers van de verstrekte gegevens om bepaalde taken uit te voeren. Benaderingen met machine learning worden traditioneel onderverdeeld in drie brede categorieën, namelijk leren onder toezicht, leren zonder toezicht en leren met versterking. Van de vele algoritmen voor machine learning zijn ANN's en CNN's de meest populaire technieken, die de afgelopen decennia op grote schaal in SHM zijn gebruikt. Deep learning is een onderdeel van een machine learning-methode op basis van neurale netwerken, die meerdere lagen in het netwerk gebruiken. Tegenwoordig is deep learning de belangrijkste benadering geworden voor veel lopende werkzaamheden op het gebied van machine learning