锈蚀是钢结构中一种普遍存在的缺陷。如果不及时采取锈蚀处理措施,可能会引发严重的安全事故并造成经济损失。人工视觉检查是目前最常用的结构锈蚀检测方法。该方法虽然操作简便,但是效率低、主观性强。基于计算机视觉的方法能够自动进行损伤检测,可以显著提高检测效率并给出客观地检测结果。传统的计算机视觉方法需要依赖先验知识设计特征,而深度学习算法能够自动从图像中提取出合适的特征。现有研究主要识别结构是否发生锈蚀,识别结果并不能有效地指导锈蚀处理措施决策。本文将基于卷积神经网络进行钢结构锈蚀等级和锈蚀比例的识别。首先,本文介绍了集成卷积神经网络（ECNN）原理,并从理论上对ECNN的性能进行了分析。其次,介绍了锈蚀等级分类数据集和锈蚀分割（锈蚀比例识别）数据集的建立流程,包括图片的采集原则、预处理流程和标注方法和数据集划分原则。接着,基于CNN分类模型进行钢结构锈蚀等级识别,分别使用投票法和学习法对CNN分类器的预测结果进行集成,证明了集成卷积神经网络的有效性。利用可视化技术,分析被错误分类的图片的共同特征。通过对测试图片施加高斯平滑,研究了模型抵抗图片噪声的能力,并探讨了集成卷积神经网络和集成方法的适用条件。然后,训练CNN分割模型识别图片中锈蚀像素点,统计锈蚀像素点数量得到锈蚀比例。通过对比试验,研究了集成分割模型和单个CNN分割模型的性能;通过对测试图像进行高斯平滑,研究了模型抵抗图片噪声的能力。研究结果表明,集成卷积神经网络能够精确地识别钢结构的锈蚀等级和锈蚀比例,识别结果可用于钢结构锈蚀程度评估,为锈蚀处理措施决策提供依据。