[pt] As estruturas civis durante toda a sua vida útil estão sujeitas a diversas ações de deterioração, desgastes ou corrosão de seus membros, que podem gerar variações em suas características físicas. Estas ações podem causar danos ao seu funcionamento, podendo chegar até ao colapso, em casos mais extremos. Além disso, o avanço tecnológico que permite a concepção de estruturas cada vez mais esbeltas, e que geram assim possíveis vibrações excessivas, elevam o monitoramento estrutural a um patamar de extrema importância e atenção na ótica dos gestores desses sistemas. Particularmente, no caso de obras de infraestrutura como pontes e passarelas, as grandes dimensões são características significativas que tornam as práticas de monitoramento e inspeção mais difíceis. Dessa forma, com o objetivo auxiliar no monitoramento estrutural e direcionar inspeções visuais, diversos métodos de identificação de danos são estudados com base nas características dinâmicas das estruturas, como as frequências naturais e os modos de vibração. A revisão de literatura, porém, demonstra que há uma dificuldade na aplicação desta identificação em estruturas mais complexas de grande porte. Assim, este trabalho visa estudar esta dificuldade e propor uma solução baseada na construção de um índice, composto pelos modos de vibração. Além disso, através da aplicação de algoritmos de aprendizado de máquina e de reconhecimento de padrões, como as Redes Neurais Artificiais (RNAs), propõese aumentar a eficiência do processo de localização espacial e quantificação dos danos. Em seguida, a metodologia proposta é, então, aplicada em um modelo de passarela metálica inspirado em uma estrutura real presente na região do Terminal Centro Olímpico da cidade do Rio de Janeiro – RJ. A identificação de danos é estudada através da aplicação do índice proposto, incorporando as redes neurais e avaliando do impacto da variação dos parâmetros da RNA na eficiência global da detecção. / [en] Civil structures are subjected to different deterioration and corrosion actions throughout their entire service life, which can generate variations in their physical characteristics. These actions can cause damage to its functioning, and possibly leading to collapse in more severe cases. In addition, technology development which allows the design of increasingly slender structures, can produce excessive vibrations, which elevates the importance ofstructural monitoring to a higher level from the perspective of infrastructure managers. Particularly, in the case of bridges and walkaways, due to their large dimensions make monitoring and inspection even more difficult. Thus, with the aim of providing methods to assist in structural monitoring and facilitate visual inspections, several damage identification methods are investigated, which are based on structures dynamic characteristics, such as natural frequencies and mode shapes. The conducted literature review revealed that there is a difficulty in applying these identification methods in large-scale and complex structures. Thus, this research aims to study these barriers and propose a solution based on the development of a new damage index based on the structure s mode shapes. Furthermore, through the application of machine learning algorithms and pattern recognition, such as Artificial Neural Networks (ANN), it is proposed to increase the efficiency of the damage identification and quantification process. Then, the proposed methodology is tested numerically on a steel footbridge model inspired by a real structure located in the region of the Olympic Center Terminal, in the city of Rio de Janeiro – RJ. The damage identification method is studied through the application of the proposed damage index, incorporating the neural network and assessing the impact of ANNs parameters variation in the global efficiency of the damage detection method.