结构位移的测量和计算是土木工程结构重点关注的内容,它能够较为直接地反映出结构的服役状态,为保障结构安全提供重要的分析依据。数字图像技术（Digital Image Correlation,DIC）是结构非接触试验中用于测量结构表面位移的重要技术手段,具有测量精度高、测量距离远和可以对结构的整体测量等优点,但是当处理大量的图像时,计算效率较低。随着深度学习的发展,为结构位移计算提供了新的思路。本文基于深度学习和DIC技术相结合,提出一种新的结构表面位移计算方法,用于识别和预测结构表面的位移发展。主要研究内容如下:（1）提出一种基于卷积神经网络（Convolutional Neural Networks,CNN）和DIC技术的结构位移识别方法。本方法根据DIC分析得到的结构表面位移云图组建数据集,采用数据归一化和区域划分的方法对数据集进行增强处理。通过对网络层数和学习率的分析,进行深度学习网络的模型设计。为验证该方法对不同材料实验的有效性,通过对木材三点弯曲试验、沥青疲劳试验和钢-混凝土界面推出试验的高速摄像图像结果分别进行识别。结果表明,基于CNN和DIC技术的结构位移识别方法能准确地识别出结构的位移变化,大大提高了使用DIC技术进行图像位移计算的效率。（2）提出基于长短时记忆神经网络（Long Short-Term Memory,LSTM）和DIC技术的结构位移预测方法。本方法利用LSTM神经网络的时序预测功能,以DIC分析得到的结构表面位移云图组建数据集,并对数据集进行归一化处理。通过对网络结构、滑动窗口尺寸、丢弃率和学习率的优化比选,建立LSTM神经网络的位移预测模型。将该模型用于木材三点弯曲试验中结构表面的位移预测,结果表明该方法可以有效地预测出试验中结构表面位移的发展,为试验中结构表面位移的计算提供了新的方法。