中国桥梁总数稳居世界第一,近些年,桥梁事故频频发生,不仅影响交通,甚至危害人们的生命。为了提高桥梁裂缝检测水平,解决目前手工检测费时费力和传统图像处理方法需要人工设定参数的问题,本文以深度学习技术为理论依据,提出了基于卷积神经网络的桥梁裂缝分类、定位和测量方法。本文主要内容包括:1.针对目前裂缝标签样本数据匮乏的问题,构建了一个较大规模的桥梁裂缝原始数据集。接着,分析桥梁裂缝图像的特性,将原始数据集的图像分别经过带色彩恢复因子的多尺度Retinex算法、灰度化、改进双边滤波算法、HEL(Histogram Equalization-Laplace)特征增强算法的处理,继续构建了经过预处理的桥梁裂缝数据集,命名为RLH(Retinex-Laplace-Histogram Equalization)数据集,以便后续的训练。2.针对传统的图像处理算法需要手动设定参数的问题和经典的深度学习模型直接用于桥梁裂缝的检测精度不高的问题,提出一种基于improve-Goog Le Net网络的桥梁裂缝检测算法,建立桥梁裂缝特征图像分类系统。3.利用滑动窗口定位裂缝,实现了裂缝的精准定位。并结合骨架提取算法计算裂缝的长度和宽度,实现了裂缝的有效测量。实验结果表明,经过本文预处理算法处理的RLH数据集与原始数据集相比,识别准确率提升了2%。所提improve-Goog Le Net网络与原始Goog Le Net网络相比,识别准确率提升了3.13%,训练时间减少为原来的64.6%。另外,骨架提取算法能够考虑裂缝的走势,计算宽度更加准确,且最大宽度和平均宽度都能计算。长度提取平均误差为2.87%,宽度提取平均误差为4.29%,综上所述,本文提出的分类、定位和测量方法具有准确度高,速度快等优点。