随着经济社会的发展，大量的混凝土设施投入建设和运营，混凝土设施的缺陷检测需求与日俱增。其中裂缝是混凝土工程最常见的缺陷，裂缝的出现会使得二氧化碳等腐蚀性物质更容易渗入混凝土内部，会对混凝土设施的耐久性和安全性造成隐患，严重的甚至会造成结构性的破坏。但是目前的检测方法还是以人工检测为主，不仅成本高，主观性强，而且检测效率容易受到检测者疲劳程度的影响，容易出现漏检等现象，并且在很多检测场合下危险系数极大。随着计算机硬件性能的不断提高，无人机等自动巡航设备的出现，以及计算机视觉技术的飞速发展，使得混凝土裂缝的自动化检测成为了可能并且该领域已经成为了热点研究领域。　　本文首先分析了国内外裂缝检测技术的现状和趋势并总结梳理了当前研究工作的特点，然后提出了一种新的基于计算机视觉的混凝土裂缝识别方法。该方法不仅准确率高而且鲁棒性强，对于推进自动化智能化的混凝土质量检测技术的发展具有重要而积极的意义。该方法主要包括以下几个部分: (1) 首先对采集到的图像进行灰度化预处理，然后使用 Gabor 滤波器来进行滤波处理并提取多方向多尺度的初步特征。(2)对提取到的Gabor特征使用均匀模式LBP（Local Binary Pattern，局部二值模式）算子进行编码，并提取ULGBPHS特征（Uniform Local Gabor Binary Pattern Histogram Sequence，均匀模式局部二值编码直方图序列）作为图像描述特征。(3)由于提取到的 ULGBPHS 特征维数较大，并且包括大量非线性模式，本文采用Kernel PCA的方法进行非线性特征压缩来降低分类器的分类计算时间。(4) 对于提取并压缩后的特征，需要使用准确率高的分类器来进行识别工作。本文提出使用基于邻近支持向量机的斜向随机森林分类识别算法。(5)由于斜向随机森林分类器的参数以往都是根据研究者的经验来设定，主观性强，准确率低，本文提出了使用自适应的遗传算法来对斜向随机森林的参数进行寻优。　　根据提出的算法，本文在实验章节讨论了 Gabor 的尺度和方向参数以及ULGBPHS的分块大小参数对识别率的影响，来便于选择最优的特征提取编码参数。同时本文通过 t-分布随机邻域嵌入算法可视化地研究了 Kernel PCA （Kernel Principal Component Analysis，核主成分分析）以及 PCA（Principal Component Analysis，主成分分析）两种压缩方式的数据结构特征并探讨了不同压缩方式对识别率的影响。实验章节最后本文将所使用的分类器与典型的传统分类方法进行了比较分析，结果验证了基于邻近支持向量机的斜向随机森林分类识别算法对识别混凝土裂缝的有效性和准确性。本文所设计的混凝土裂缝检测方法，对于推动智能化混凝土检测技术的发展具有积极的意义。