桥梁、楼房等建筑设施在长期的自然环境腐蚀及承重的作用下会出现不同程度的表面裂纹,如不及时加以修复,将产生巨大的安全隐患,给国民经济及人民生命财产安全造成巨大损失。因此,早期的裂纹检测及裂纹特征量化对建筑物的维护和修复具有重要意义。在实际工程中,裂纹的形态多样且背景复杂,这给裂纹的检测和量化带来了一定的困难。鉴于深度学习能够从大量的标记训练数据中自动学习图像特征、实现感兴趣目标的自动识别和分类,本文采用基于深度学习的裂纹检测方法从图像中提取裂纹,并结合图像拼接技术以便将局部裂纹图片拼接为全局图片,进一步利用裂纹特征量化方法对建筑物裂纹的实际尺寸进行计算。本文主要获得以下研究成果:（1）基于U-Net、添加残差网络的U-Net及Seg Net三个语义分割的深度神经网络模型,实现了裂纹的像素级分割。本文利用这三种网络模型对桥梁裂纹数据集和墙面裂纹数据集进行了裂纹检测分割。结果表明三种网络模型的预测结果的交并比（Intersection Over Union,IOU）均达到了0.7以上、召回率均达到了0.9以上,取得了良好的分割效果。且改进的U-Net网络模型在训练过程中参数量比其他两种模型的参数量小一个量级,大大提高了模型训练的效率。相比于传统的图像处理方法,基于语义分割的裂纹检测方法在背景复杂及噪声干扰的情况下,仍然可以达到较好的检测效果。（2）实现了一种结合ORB图像特征匹配算法及坡度函数加权算法的裂纹图像拼接技术。基于ORB算法的图像特征匹配方法能在拼接图像存在缩放及旋转的情况下实现准确的特征点匹配。在图像融合方面,相比直接平均法和加权平均法,基于坡度函数加权法能有效消除拼接图像的拼接缝,使得拼接图像在视觉效果上更加自然。（3）采用量条标定的方法实现裂纹尺寸的量化。相比多量条标定法,单量条标定法操作简单,在单一方向裂纹图像上能达到很好的标定效果。标定完成后利用水平标尺法和最小距离法计算裂纹的最大宽度。通过统计墙面裂纹宽度计算得到的误差,结果表明最小距离法的计算误差比水平标尺法的计算误差小,且两种算法的裂纹宽度计算误差均小于10%,达到了较好的实验效果。本文开展了基于深度学习的裂纹检测分割方法及裂纹宽度量化方法研究。相比传统方法,本文研究的方法可有效提高裂纹检测的准确度,有助于实现建筑表面缺陷研究的自主化及智能化。