针对于损伤识别的安全性和精确度问题，提出一种利用一维加速度时域信号对锈蚀混凝土梁进行损伤识别的方法，将时间卷积网络（temporal convolutional network，简称TCN）与长短期记忆（long short term memory，简称LSTM）神经网络相结合，并引入通道注意力机制（squeeze-and-excitation，简称SE），提出一种深度卷积时序网络长短期记忆模型，即SE-TCN-LSTM。首先，依据火灾后的锈蚀混凝土梁构件建立初始有限元模型（finite element model，简称FEM），收集火灾后的加速度时域信号及静力折减系数，构建用于模型修正及损伤识别网络训练的数据集；其次，采用深度学习方法，利用两种修正方式对有限元模型的待修正物理参数进行修正，结果表明，采用依次修正物理参数的方法误差较低、精度较高；最后，利用更新后的FEM模型获取火灾后锈蚀梁的刚度折减系数及承载力折减系数。结果发现，基于一维加速度信号的数据集训练时间较短，且具有较高的识别精度，在模型更新及损伤识别工作中的误差均控制在10%以内。