由于环境和荷载的影响,桥梁、道路和大坝等基础设施的退化速度正在加快,裂缝作为影响建筑物结构质量的主要缺陷之一,对其监测使建筑物保持良好状态至关重要。传统人工裂缝检测结果容易受到影响,不仅检测结果不可靠,而且费时。基于传统数字图像的混凝土裂缝检测的方式,对图像预处理技术要求高,且检测结果易受周围光照、噪声等因素影响。而深度学习中卷积神经网络中通过对裂缝边界特征提取,进而精确地识别裂缝,其检测效果具有良好的精度与鲁棒性。本文采用Seg Net神经网络模型进行混凝土表面裂缝识别,并对识别后量化进行了系统研究,得到裂缝特征参数量化方法。本文主要研究内容和结论如下:（1）本文基于深度学习模型对混凝土表面裂缝进行识别,以Seg Net模型为基础。利用图像增强与迁移学习解决图像训练集少的问题,在此数据集上进行5×10-5,1×10-4,5×10-4,1×10-3这4种学习率值进行对比,通过评价指标对比发现学习率为1×10-4时的识别效果最佳。并将Seg Net裂缝识别结果与FCN模型与Otus算法进行了对比分析,得出Seg Net模型识别的鲁棒性更强,检测结果更准确。（2）提出一种精确的裂缝特征参数量化方法,以实现裂缝面积、长度、宽度等信息的分析计算。首先将Seg Net模型分割后的二值图进行处理,对分割后存在部分噪点图像进行形态学去噪,通过Zhang-suen方法将二值图骨架化。对于复杂裂缝细化后周围可能存在大量毛刺,通过Matlab设定阈值长度进行毛刺消除,并对具有连接段的裂缝骨架采用分离算法进行断开。（3）基于深度学习的测量方法,本文对单钢筋混凝土梁进行试验测试。整个试验包括图像采集、区域裁剪、裂缝识别和参数量化。通过对裂缝区域从加载到最终破坏进行全程拍摄,在此基础上分别对梁最终破坏的裂缝静态分布与加载过程中裂缝动态分布分别进行量化计算。将裂缝分割结果与人工测量结果进行对比,验证了基于深度学习裂缝测量方法的准确性与实用性。