Die messtechnische Strukturüberwachung von Brücken hat das Potenzial, sich langfristig als wichtiges ergänzendes Instrument zur kontinuierlichen Zustandsbewertung zu etablieren. Die jüngere Forschung auf diesem Gebiet setzt verstärkt auf Signalmerkmale unterschiedlicher Sensortypen sowie auf Methoden des maschinellen Lernens. Daran anknüpfend wird in diesem zweiteiligen Aufsatz erläutert, wie Bauwerksschäden mithilfe der Anomalieerkennung mit Modellen des maschinellen Lernens identifiziert werden können. Im Teil 1 wird ein Signalmerkmal vorgestellt, das auf Einflusslinien basiert: Die R-Signatur. Durch Simulationen kann gezeigt werden, dass die R-Signatur deutlich empfindlicher auf einen Bauwerksschaden reagiert als die betrachteten Eigenfrequenzen. In Teil 2 wird ein Verfahren zur Anomalieerkennung beschrieben, das Bauwerksschäden durch eine Veränderung der Korrelationsstruktur der R-Signatur identifiziert. Das zugrunde liegende Datenmodell nutzt dabei die Hauptkomponentenanalyse. Der vorgestellte Ansatz wurde mit den Messdaten einer Straßenbrücke verifiziert.