随着我国公路交通建设的不断完善,交通网络四通八达,交通建设的重心逐渐转移到道路养护上。混凝土作为重要材料被广泛应用于道路修建中,混凝土结构的设施由于长期受负载承重、恶劣环境的侵蚀以及施工工艺质量等因素的影响,导致路面容易出现裂缝病害,缩短混凝土设施的使用寿命,存在巨大的安全隐患。传统的检测方法依靠人工视觉检测或者选用无损的传感器进行辅助检测,要求检测人员具有相关的技术和经验,但是这种检测方法效率低、开支大,并且主观性较强,不易对裂缝进行精确的测量,极易对裂缝类型造成错判。在复杂背景下容易出现细小裂缝图像检测难、噪声干扰多和裂缝宽度信息易丢失的问题。基于传统数字图像处理的算法对去噪声的能力较弱,泛化效果不佳。针对该问题,本课题中采用深度学习的方法进行混凝土裂缝的识别,采用语义分割的方法进行裂缝检测。本文的主要工作内容和创新点包括:（1）利用U-net的框架结构,在其中嵌入残差网络层,解决由于网络层数的加深而产生的网络退化问题,Batch Normalization层改善梯度弥散问题。融入深度可分离卷积以及高尺度的转置卷积,实现特征信息由浅入深的传递。加入改进的注意力机制,延伸U-net特征向量长度,扩展网络深度,在U-net框架的底部加入由最大池化层、小尺度的深度可分离卷积与上采样层构建的层融合模块。实验结果表明,在客观标准下,该神经网络的accuracy的值达到0.9908,jaccard的值达到0.7973,recall值达到了0.9176,Precision值达到了0.9226,F1-score达到了0.9198,减少了伪分割现象,完成对细小裂纹分割,获得更加精细的裂纹宽度信息。（2）构建一种基于多特征融合的双输入交互连接网络模型对裂缝进行检测。模型基于“编码器-解码器”结构,将两条镜面对称的网络“链条1”与网络“链条2”之间的交互联结,实现特征信息的交叉式传输以及高底层特征信息的融合,通过双输入引入更多的底层特征信息,加入卷积核大小为1×1的多个转置卷积搭建的金字塔池化层。实验结果表明,在客观标准下,该神经网络的accuracy的值达到0.9930,jaccard的值达到0.8399,recall值达到了0.9373,Precision值达到了0.9389,F1-score达到了0.9382。实验仿真结果显示,该网络减少了伪分割现象,获得更加精细的裂缝宽度信息。本文的两种混凝土裂缝检测模型都是基于卷积神经网络提出的,利用特征融合等一系列方法,使裂缝像素得到更加准确的分类和定位。因此,本文提出的两种混凝土裂缝检测模型,在提供计算速度和精度的前提下,可以获得更加精确的检测效果。