桥梁表面裂缝检测具有重要意义。分布式光纤传感器能够以厘米级的空间分辨率一次测量获取桥梁数百甚至上千米全尺度表面上的分布式应变。通过检测分布式应变的异常改变发现桥梁表面裂缝,具有广泛应用前景。然而,由于测量中的分布式应变往往信噪比较低,导致基于分布式应变的裂缝检测具有较大的限制。深度学习通常能够从低信噪比的数据中,自动获取高质量的特征,实现高质量的目标检测和分类。因此,开展基于深度学习的分布式应变裂缝检测方法研究具有重要的理论和现实意义。本文设计并实现了一种基于堆叠卷积自编码器(Stacking Convolutional Autoencoder,SCAE)的分布式应变裂缝检测方法,并实验验证了本文方法的有效性。方法假设分布式应变由两类应变序列排列组合而成,一类采样于有裂缝的结构表面,一类采样于无裂缝的结构表面,从而将裂缝检测问题视为一种二分类问题。首先,将分布式应变做归一化处理并划分为一组等长的应变序列。然后,将预处理后的应变序列送入一维堆叠卷积自编码器,自动获取高质量的特征。进而,基于SoftMax对特征实现二分类。最后,开展了工字梁钢结构实验室实验和在役桥梁现场实验。结果表明,对于实验室实验可以准确检出23μm以上的微小裂缝,也可以准确检出在役桥梁表面微小裂缝。本文的工作主要有以下三个方面:1.开展了分布式应变数据预处理研究。通过z-score归一化将应变序列统一规整为0均值1标准差。针对正负样本不均衡问题,开展了样本扩增方法研究。2.开展了堆叠自编码器优化设计与常见方法的比对研究。综合卷积神经网络多特征并行提取和堆叠自编码器能够提取噪声鲁棒特征这两方面优势,提出了基于SCAE的特征表征方法。通过SCAE与支持向量机、线性判别分析等传统方法的横向比较,验证了方法的先进性。3.系统的开展了实验室实验和现场实验研究。搭建了工字梁钢结构实验台架,在实验室理想条件下系统地检测了不同张口宽度的裂缝检测效果。开展了在役桥梁现场测试,能够准确检出桥梁表面微小裂缝。