桥梁的破损不仅关系到桥梁本身的承载力和使用寿命,严重时可威胁到行人和车辆的安全,裂缝作为桥梁破损的早期表现形式,及时地检测和修补它们,就显得十分重要。基于数字图像处理的桥梁裂缝检测技术以其检测速度快、检测方法便捷等优点,逐渐取代了人工勘测的方法,但是因为传统数字图像处理的方法非常依赖算法设计者的经验,导致检测精度不高。近年来,随着深度学习在机器视觉领域的飞速发展,在人脸识别、图像检测等各方面,其准确度已经超越了传统的图像处理方法。与传统的方法不同,深度学习不需要手工设计特征,而是模拟人类的视觉感知系统,根据原始图像特点进行抽象表达。其中,卷积神经网络CNN是深度学习中的重要角色,其具有的显著优点,如非线性和高度并行,使其在图像处理领域具有特别广泛的应用,尤其是在图像的分类、识别等方面。因此,本文从深度学习的基本概念入手,深入研究卷积神经网络的理论,并基于此理论进一步展开对桥梁裂缝检测方法的研究。论文的主要工作如下:(1)数据获取与标定:本文设计了桥梁裂缝图像的拍摄方案,并且根据桥梁裂缝的双边缘特性提出了一种半自动化的图像标定方法,提高了图像标定的速度和准确度。(2)基于传统机器学习的裂缝检测方法:从传统机器学习的角度来看,手工设计得到的特征密切影响着分类器的分类精度。本文通过在裂缝图像上实现不同的特征提取算法,并将提取到的特征进行对比,选择优秀的特征训练SVM分类器,进行裂缝检测。(3)基于CNN的裂缝检测方法,该方法包含三部分内容:(1)鉴于CNN模型的有效性十分依赖于训练数据,本文提出了一种基于保护带的数据选取方法,保护带内的样本不作为训练数据,保证了两类训练数据不混叠;(2)通过分析桥梁裂缝图像的灰度分布,本文提出了一种自适应阈值分割的方法来剔除背景信息;(3)基于裂缝图像的特点,本文设计了一种新的CNN网络模型,并且将图像进行自适应阈值分割后送入该网络进行训练和检测;(4)由于CNN检测出的裂缝较宽,本文提出利用自适应阈值分割的方法对CNN的检测结果进行细化。实验结果表明,与其他方法相比,基于深度学习的桥梁裂缝检测方法能够获得更高的精度。