桥梁作为跨河海连沟壑的交通枢纽,在社会经济发展中发挥着重要作用。然而,桥梁在长期运营和使用过程中不可避免地会出现一些缺陷和损伤,若不及时发现和处理,将会影响桥梁的使用寿命和承载能力,造成难以估计的损失。因此,必须对桥梁状态进行定期检测和维护。目前桥梁检测多是检测人员借助专业设备进行抵近检测,效率较低。无人机结合图像处理技术的检测方式可以提升检测效率,但获取的图像往往视场范围较大,背景复杂,图像处理易受干扰,难以获得理想的检测效果。本文结合深度学习等技术,针对无人机获取的桥梁图像,提出了一种先通过分类网络判别缺陷所在区域,然后通过分割网络确定区域内缺陷像素点,最后根据距离信息实现缺陷定量检测的检测方式。论文主要工作如下:（1）建立无人机拍摄桥梁的成像模型,分析无人机获取图像时拍摄距离、飞行速度与测量精度之间的关系。构建桥梁图像数据集,并通过缺陷分离重组、生成式对抗网络、几何变换、色彩变换的方式进行数据增强,扩充桥梁图像数据集。（2）研究了基于分类网络的桥梁缺陷所在区域的判别方法。将无人机获取的视场范围广、背景复杂的图像使用无重叠滑窗的方式划分为不同区域,并使用提出的基于Inception结构和残差结构的分类网络判别区域内是否存在缺陷。从而将后续处理集中在筛选出的存在缺陷的区域,以减少计算开支,降低处理难度。实验结果表明,该模型分类效果良好,可实现所需的判别功能。（3）研究了基于神经网络的桥梁缺陷像素级分割方法。选用Deep Labv3+模型对分类网络判别出的存在缺陷的区域进行分割,实现缺陷的像素级检测。并通过实验确定适合本文应用场景的网络参数,提升网络分割精度。（4）研究了基于机器视觉的桥梁缺陷面积测量方法。使用双目相机获取像素点的距离信息,并根据成像关系确定了像素点对应的实际区域面积。研究了CCD平面与桥梁缺陷处于非平行状态时的面积计算方式,并通过实验验证了该方式的准确性。实测桥梁结构的实验结果表明,本文提出的桥梁缺陷检测方式,可以取得良好的检测结果,实现桥梁缺陷的定量检测。