我国地域幅员辽阔,是世界上遭受自然灾害最多的国家之一。地震作为一种长期频发的自然灾害,其瞬时突发性和强大破坏力给人民生命和城市建筑等安全造成了严重的威胁。因此,开展震后城市建筑地震破坏评估对灾后应急救援、社会秩序恢复和人民生活保障具有重要的意义。如何实现震后准确、全面、快速的城市建筑震害提取与破坏等级评估是工程结构防灾减灾领域长期面临的难题挑战。当前,建筑震害评估主要依赖专业人员现场目测调查与地震响应监测数据计算损伤指数等方法,存在信息不完备、时效滞后性、表观信息依赖强等不足。当前,深度学习理论与计算机视觉技术的快速发展,为挖掘建筑结构震害深度特征信息,并实现破坏精细量化提取和评估提供了重要支撑。本文针对建筑结构地震破坏种类多样、特征信息欠平衡、几何多尺度、多因素干扰、复杂场景等特点,提出了基于像素级语义分割原理的建筑结构内部地震破坏精细量化提取与评估分类方法,主要研究内容如下:（1）提出了针对复杂场景结构构件层次裂缝破坏的语义分割提取方法。采用3543张国内外代表性结构构件裂缝破坏图像的数据集,开展了U-Net语义分割网络模型的超参数训练与改进优化,实现了对简单、人眼难以辨别、复杂纹路、强干扰背景等类别裂缝良好的识别精度和预测效果。其中,验证集数据整体平均m Io U值可达85.54%,测试集平均m Io U值为83.69%,所有场景中最高m Io U值可达90.1%。（2）发展了“剥落”、“掉块”、“钢筋暴露”和“钢筋屈曲”四类耦合破坏特征信息不平衡的数据增强和精细提取方法。选择了13354张涵盖汶川等国内代表性地震的建筑构件破坏图像数据集,建立了基于改进的U-Net网络的多类别耦合地震破坏的语义分割模型,通过调控网络模型损失函数权重系数,并引入“马赛克”方法增强钢筋类非平衡特征信息数据,实现了多类别地震耦合破坏的高精度提取识别。其中,特征信息丰富的“剥落”和“掉块”类别破坏预测Io U值分别为91.95%和92.11%;而“钢筋暴露”和“钢筋屈曲”两类特征信息较少破坏类别,分别从原有72.53%和73.55%提高至89.71%和88.53%。（3）建立了从结构构件层级地震破坏到结构震害等级评估的初步方法。结合现有震后结构破坏评估规范准则和构件破坏性实验图像数据标定,通过提取对应构件上像素级精度的五类破坏几何参数（如裂缝形态、剥落面积占比等）,初步尝试确立了构件损伤指数与图像破坏类别间的半定量映射关系,初步探索了从构件破坏到结构单体的地震破坏等级评估方法。