1.一种基于深度学习的桥梁结构健康诊断方法，其特征在于，包括以下步骤：

步骤一，数据预处理，将多座桥梁在设计、施工、维护、监测四个阶段的数据收集后，根据数据性质不同进行分类整理，然后采用大数据处理方法进行数据融合，形成深度学习网络所需的各类输入数据；其中的桥梁包括某种类型的不同大小、不同地域的桥梁，并含有正常状态和各种劣化状态的情况；

步骤二，利用设计阶段和施工阶段的数据，建立桥梁结构的精确有限元模型，分别模拟桥梁结构正常状态和各种劣化状态的情况，并保存相关数据作为深度学习网络的训练输入；

步骤三，构建一个五层的深度学习网络DN，第一层SS采用稀疏自动编码器，第二、三层采用通用自动编码器，第四层DS采用降噪自动编码器，第五层SVM采用支持向量机，其输入数据为A[i](i＝1,2,…,n)，为步骤一所形成的输入数据，可为任意矩阵。输出数据为S[j](j＝1,2,…,m)，表示桥梁结构各个区域的具体健康状态以及桥梁结构整体的健康状态，可以是任意矩阵；

步骤四，特征学习，将设计、施工两个阶段的数据输入深度学习网络DN，采用无监督训练，获取桥梁结构正常的各类参数的特征；将维护阶段和监测阶段的一部分数据以及有限元模拟的数据输入网络，采用有监督训练，获取结构在各种劣化状态的各类参数的特征，并微调深度学习网络的第五层；

步骤五，数据验证，将监测阶段的另一部分数据输入网络，进行数据验证，并根据验证结果进一步优化整个深度学习网络，最终形成一个可以通用于各种桥梁结构健康诊断的深度学习网络；

步骤六，桥梁结构健康诊断，根据步骤五形成的可用于结构健康诊断的深度学习网络，对任一座桥采用类似步骤一的方法对该桥梁的各种数据进行预处理，形成可输入数据后即可输入到已成功训练的深度学习网络进行诊断，从而准确得到该桥梁的结构健康状态是正常还是处在哪一级劣化状态。

2.根据权利要求1所述的基于深度学习的桥梁结构健康诊断方法，其特征在于，步骤一中所述数据性质包括：环境、地质、结构、时间。

3.根据权利要求1所述的基于深度学习的桥梁结构健康诊断方法，其特征在于，步骤二中所述劣化状态根据桥梁结构可靠性规范分为轻微、轻度、中级、严重和不可接受五级。