桥梁是一个国家的经济命脉,而桥梁结构在整个使用寿命周期中,不可避免地受到疲劳载荷环境侵蚀和突然的地震等灾害等复杂因素的耦合作用,结构损伤逐渐的发展和积累,导致安全性不断下降,服役性能不断下降。这个研究课题已经进行了很多年,国内外学者提出了很多接触非接触式桥梁结构安全性评估方法,如声波法,红外法等,但普遍存在成本高昂,效率低下,鲁棒性低的问题。裂缝是混凝土桥梁最常见、最重要的病害之一,随着计算机视觉技术和深度学习的发展,图像法桥梁裂纹检测成为了新的研究热点。近年来,基于深度学习的图像如理方法发展起来,算法效果显著提升的同时,仍然容易出现非裂纹区域错误识别,准确度不高的问题。针对这些问题本文提出了一种由一个卷积神经网络(CNN)模型和一个语义分割神经网络(Segnet)模型组成的双卷积神经网络模型来识别图像中的裂纹。首先,构建CNN模型识别裂纹分割兴趣区域。CNN模型将排除非裂纹区域的斑点、阴影、水渍、涂鸦等干扰因素。然后用Segnet模型对CNN获得的裂纹兴趣区域进行像素级分割,提取出长度、宽度等裂缝特征。通过使用公开数据集训练CNN-Segnet模型来识别实际混凝土桥梁裂缝,与现有的图像识别方法相比,本文模型在裂纹识别过程中具有良好的准确性。单张照片往往难以覆盖一条完整的裂纹,所以本文为了进一步解决获取完整裂纹图像的难题,提出基于图像拼接技术的桥面缺陷总图构建方法。获取完整裂纹图像后,利用连通域求取与骨架化算法,构建了裂纹的尺寸信息识别方法,自动获取裂纹的长度与宽度,大大提高自动化程度。最后,针对桥梁裂纹检测算法进行了实验验证和结果定量评估。实验平台确定后,采集了1000张含有裂纹的原始图像,预处理以及标注后产生两万张227×227像素的数据集,随机取出其中的%70作为训练数据集对模型进行训练。剩下的作为测试集用来评估准确度。结果表明可以达到96%的像素准确度和65%的区域交占比,由于当前主流语义分割算法。该方法大大提高了识别的可靠性和准确性。最后分步分析了算法的实时性。