随着我国公共基础设施的快速发展,混凝土作为建筑物的基本原材料被广泛使用,裂缝作为混凝土设施最为常见的结构性病害成为建筑工程质量中健康检测的重要一环。传统的检测方法,如人工检测,存在检测效率低、检测结果不准等问题;基于数字图像处理技术的检测算法,存在需要人工设计特征、模型稳定性差、易受环境干扰等局限。基于此,本文着力于研究基于计算机视觉的智能裂缝检测算法。本文选用具有编码器-解码器以及跳跃连接结构的U-Net作为主体网络,进行针对性研究。主要研究内容如下:（1）针对现有裂缝检测方法在裂缝拓扑结构复杂,前后景像素不协调情况下产生的检测精度低的问题,提出一种基于空洞卷积与动态核融合池化的裂缝检测方法。模型以U-Net网络为基础,编码器阶段插入空洞卷积,能够更大限度的保留裂缝细节与结构信息;解码器阶段引入动态核融合池化模块,用以在并行卷积流中更高效的获得不同尺寸的裂缝语义信息并融合,能够提升细小裂缝的检测效果。实验结果表明,模型有效提升了裂缝检测的精度,减少了漏检、误检现象。（2）本文在（1）的基础上,针对模型结构复杂、参数量大的问题,提出了一种基于结构重参数化与注意力机制的检测模型。首先,模型采用结构重参数化的思想,将编码器端的多分支结构转换成单分支结构用以提取特征,既能保留更高精度的检测结果又能简化网络结构;同时为了更有效的识别裂缝,加入了注意力机制,用以加大提取裂缝特征的前景权重;最后将解码器端的反卷积替换成更轻量、有效的亚像素卷积。实验结果表明,构建的网络模型相较主流的U-Net变体网络模型,参数量、计算量更低且检测精度高、效果好。本文主要基于U-Net网络进行裂缝检测研究。提出的两种检测模型利用优化特征提取以及特征还原等方法,有效改善常规裂缝检测方法中存在的检测精度低、网络模型复杂度高等问题。