Onderhoudskosten en levensduur van bestaande bruggen zijn zware uitdagingen voor brugbeheerders. In operationele toestand kan overal schade van onbekende omvang ontstaan. Dit kan leiden tot algeheel falen of tot verkorting van de levensduur. Om dit te vermijden is vroege detectie van schade van het grootste belang. Op trillingen gebaseerde structurele schadedetectie (VBSDD) is een wereldwijde techniek die kan worden gebruikt om de structurele veiligheid en integriteit van de gemonitorde constructies te beoordelen. De aanwezigheid van schade wijzigt structurele parameters, d.w.z. stijfheid, massa, flexibiliteit of energiedissipatie van de beschouwde structuren en resulteert vervolgens in veranderingen van frequentieresponsfuncties, modale parameters (d.w.z. natuurlijke frequentie, modevorm en demping). VBSDD identificeert de modale eigenschappen om te waarschuwen voor structurele schade. Om de kwaliteit van schadedetectie bij VBSDD toepassingen te verbeteren, wordt in dit proefschrift een hybride “rekenkundige intelligentie” methode ontwikkeld, bestaande uit optimalisatie-algoritmen (OA's) en/of machine learning (ML). Om de prestaties van machine learning-algoritmen voor schade-identificatie te verbeteren, worden globale zoekmogelijkheden van nieuwe optimalisatie-algoritmen gebruikt, d.w.z. Feedforward neuraal netwerk (FNN) en kunstmatig neuraal netwerk (ANN). De bevindingen bevestigen de haalbaarheid en betrouwbaarheid van de voorgestelde methoden, een combinatie van de VBSDD en hybride intelligentiebenadering, voor gezondheidsmonitoring van bruggen.