L'un des principaux objectifs de la surveillance de santé structurale (SHM) est de détecter, et éventuellement localiser, quantifier ou prédire les dommages sur les structures. Sans connaissances détaillées du comportement mécanique structurel, l'analyse des données est une tâche complexe, et la surveillance opérationnelle est souvent limitée à l'utilisation de seuils plus ou moins arbitraires. Les approches data-driven qui reposent sur une analyse statistique des données, ont suscité un intérêt croissant ces deux dernières décennies. Cet article propose une approche basée sur plusieurs modèles automatisés construits par apprentissage automatique, pour la détection et la localisation des anomalies dans les données de surveillance d'un grand pont en béton. Pour chaque capteur, plusieurs modèles de régression sont générés à l’aide de réseaux de neurones récurrents en utilisant les données d'autres capteurs déployés sur la structure. Les anomalies sont ensuite identifiées dans le jeu de données en fonction des résidus entre les sorties des modèles et les données mesurées in situ. Pour un capteur donné, les résidus de tous les modèles sont ensuite compilés pour produire un indicateur d'anomalie.