近年来,越来越多的学者进行了利用深度学习技术识别混凝土裂缝的研究,但往往止步于仅将裂缝的位置进行识别。为更好的识别出裂缝,并进一步判断含裂缝混凝土构件此时处于何种荷载状态,本文基于深度学习技术,主要使用卷积神经网络进行混凝土裂缝识别、裂缝信息提取和构件的“裂缝-荷载状态”识别。同时,深度学习和土木工程的结合,不能仅停留在识别混凝土裂缝这种图像层面,而应该寻找更加能体现土木工程特色的结合点。因此,尝试利用对抗生成网络生成混凝土单轴受压本构数据,并利用ABAQUS有限元软件对生成的混凝土单轴受压本构数据的可用性进行建模验证。本文的主要工作如下:1.基于语义分割的混凝土裂缝识别。对Mobile Net模型进行优化,引入感受野模块增大模型高层感受野,提高模型的识别精度。与原有Mobile Net模型进行相同裂缝样本的识别效果对比,结果表明:改进后的Mobile Net-RFB模型的识别效果优于原模型,且精度能到达97%。2.“像素-现实”转换的混凝土裂缝信息提取。基于骨架思想,结合形态学方法,计算混凝土裂缝像素长度、像素宽度。通过构建深度神经网络判断混凝土裂缝走向。引入激光点距离参考系将裂缝的像素级信息转化为现实信息。3.混凝土抗剪连接件“裂缝-荷载状态”识别。通过将识别网络和分类网络分离,利用迁移学习的方式构建混凝土抗剪连接件多级“裂缝-荷载状态”识别模型。通过加权融合三个分类子网络结果,提升分类精度。对模型进行多次训练,将未使用迁移学习的模型和传统多目标识别模型与本文模型均进行了对比实验,证明了本文方法的可行性。4.利用对抗生成网络生成混凝土单轴受压本构数据。将利用对抗生成网络生成的混凝土单轴受压本构数据应用于钢纤维混凝土梁的ABAQUS有限元建模过程,并与使用传统混凝土本构数据的钢纤维混凝土梁进行滞回曲线对比。结果表明:利用对抗生成网络生成混凝土单轴受压本构数据的方法可行。5.将前述研究内容进行整合,采用PyQt5编制了交互式界面。