位移作为桥梁结构健康的一个重要指标,它可推算出桥梁结构的动、静态特性。而传统的位移测量方法易受环境影响,不利于对其进行快速、便捷测量。将无人机与图像处理相结合的检测方法具有成本低、无接触、可快速部署和远距离多点测量的特点,受到了广泛关注。针对无人机图像的畸变,使用传统方法存在对图像质量和特征点的数量依赖性较高和无人机搭载能力受限的问题。本文首先采用深度残差网络估计了图像对应的单应性矩阵,从而对畸变图像进行矫正;其次,对矫正后的图像,使用轻量化YOLOv4目标检测算法,实现对桥梁结构标志物特征信息的快速提取,从而快速计算出桥梁结构的位移;最后,使用固定相机模拟了无人机拍摄桥梁结构模型进行了实验验证。本文主要从以下几个方面展开研究。（1）针对传统方法在单应性矩阵估计上的局限性,导致难以对无人机在测量桥梁结构位移时的畸变图像进行精确矫正的问题,本文建立了基于深度残差网络的模型,其由Res Net34单应性估计模块和两个共享权重且镶嵌有置换注意力机制的特征提取模块组成,它采用三元组函数作为模型的损失函数,并使用自构建的桥梁结构模型数据集进行训练。通过实验验证,本文所提方法能够在低光亮和低纹理的图像中取得较好的矫正效果,同时能满足本文实验中图像的矫正需求。（2）针对无人机在测量桥梁结构位移时存在空间小、计算能力薄弱、存储资源少等问题,本文使用轻量化YOLOv4模型对桥梁结构标志物进行检测,将Mobilenetv2作为模型的主干网络,同时对路径聚合模块PANet进行改进,并使用了超轻量级子空间注意力网络（Ultra-lightweight subspace attention module,ULSAM）用于提高模型特征提取能力。改进后的YOLOv4模型参数量大幅度减少,且检测速度提升了50%,并能准确检测出本实验中标志物的相关信息,可实现快速、精准的桥梁结构位移测量。（3）基于上述研究内容,将本文的方法和基于传统特征匹配的方法SIFT、ORB进行对比,这些方法在进行测量时,其测量误差会随着位移量的增大而减少,测量精度会随着拍摄距离的变远而降低。实验分析表明,在不同工况下,使用本文方法对桥梁模型结构的位移进行测量时,具有较高的测量精度和检测效率。