هدف از این پژوهش ارائه راهکاری جهت افزایش کارایی و سرعت عیب یابی سازه های بزرگ مقیاس با استفاده از روش های پیشرفته ی محاسبات نرم می باشد. با توجه به اینکه مسئله ی عیب یابی در قالب یک دستگاه معادلات غیرخطی مدل شده و حل آن به طور مستقیم، محدود و گاهی غیر ممکن است، امروزه بیشتر تحقیقات براساس حداقل سازی اختلاف پاسخ سازه خراب واقعی (استخراج شده از نتایج ثبت شده ی سنسورها) و خراب فرضی که از به روزرسانی پارامترهای فیزیکی مدل در هر مرحله از تکرار به دست می آیند، انجام می گیرد. روش های به روزرسانی مبتنی بر بهینه سازی، برای سازه های بزرگ مقیاس از حجم بالای محاسبات برخوردار بوده که منجر به پایین آمدن کارایی آن در عیب یابی این نوع سازه ها می شود. در این پژوهش، با ارائه ی مدل کمکی مبتنی بر شبکه عصبی بهینه شده (tnn)، به عنوان یک مکانیزم کارآمد تقریب ساز (eam) برای مدل عددی سازه جهت استخراج پاسخ های مدل سازه به روز شونده، قدمی در جهت کاهش حجم و زمان محاسبات روند بهینه سازیِ عیب یابی برداشته شده است. بدین منظور، مجموعه ای از شبکه های عصبی که برای تقریب سازیِ غیرخطی مورد استفاده در این پژوهش مناسب تر می باشند، طراحی و آموزش داده شده اند. در نهایت، شبکه عصبی با ساختار cascade (cfnn) براساس معیارِ خطای شبکه به ازای داده های تست، انتخاب شد. جهت بهبود عملکرد شبکه عصبیِ منتخب، روشی هوشمند جهت تعیین تابع تحریک و تعداد بهینه ی نورون های لایه ی پنهانِ شبکه عصبی با استفاده از الگوریتم اجتماع ذرات، ارائه شده است. همچنین در این پژوهش، جهت تشخیص عیوب چندگانه در سیستم های سازه ای، یک روش دو مرحله ای جدید شامل الگوریتم جستجوی جامع مبتنی بر شبکه عصبی تابع بنیادی شعاعی(rbfnn) و الگوریتم اجتماع ذرات جامعه تاثیر پذیر(psopc) پیشنهاد شده است. جهت بررسی کارایی روش های پیشنهادی، مثال های عددی ارائه شده و نتایج بیانگر کارآمدی روند حل ارائه شده جهت کاهش قابل ملاحظه ی حجم و زمان محاسبات، ضمن حفظ دقت، نسبت به استفاده از مدل به روزشونده اجزا محدودی در روند حل مسئله ی عیب یابی می باشد.