钢筋混凝土病害检测技术能够有效检测和预防混凝土建筑物的结构病害。深度学习网络因其强大的学习能力,被广泛应用于土木工程领域。深度学习中影响模型效果的常见因素便是训练数据不足,然而适用于深度学习数据集通常是稀缺的,迁移学习作为一种新兴的工具,能有效的解决上述数据短缺问题。而深度迁移学习正是通过深度神经网络来研究如何更好地利用其他领域（源域）的知识,提高目标域的学习能力的重要工具。为此,本文提出采用基于模型和基于实例的深度迁移学习算法用于解决土木领域病害识别问题,主要研究内容如下:1)针对混凝土表观病害图像数据集问题缺乏的问题,构建了一个包含裂缝、露筋和泛碱三种病害类别的混凝土表观病害数据集,提出了一种基于模型的深度迁移学习算法,用于混凝土表观病害的检测。该方法运用深度迁移学习技术,将知识以模型结构以及参数作为载体进行迁移,通过修改模型结构以适应目标任务,用以解决目标域数据集缺乏问题;在模型训练阶段,动态调整学习率大小,并采用微调策略,对模型的参数进行更新,使模型适应于新的学习任务。实验对比Res Net18、Res Net50、VGG19、VGG16等主流深度学习网络模型,该算法取得了最高准确率,为98.86%。用实拍的桥梁表观病害图像数据集进行测试,该方法的整体病害识别准确率达到88.33%,具有较高的病害识别准确率。2)为了进一步关注源域实例对目标域任务的影响,提出了基于联合实例加权的深度迁移学习方法来充分利用源域实例,以此提升目标域病害识别准确率。该方法使用联合实例权重策略,并使用最大均方差和KL散度两个不同的距离度量指标进行结合来调整源域数据对模型训练的影响,最小化域之间的差异。适用于目标任务的源实例的知识可以通过域优化过程进行转移,提高了目标域中混凝土结构表观病害识别任务的性能。在三个公开裂缝数据集（CCIC、BCD和SDNET）上进行实验,所提出的方法较主流的深度学习模型均有一定的提升。其中以BCD作为源域数据集,SDNET数据集作为目标域数据集时提升最大,相较于效果最好的Res Net50模型准确率提升了2.08%,最终准确率达到92.28%。综上,本文针对土木工程领域内的结构表观病害检测,采用深度迁移学习算法,提出了一种基于模型的迁移学习混凝土表观病害检测算法和一种基于联合实例加权的深度迁移学习方法,有效地解决了在数据稀少的情况下对混凝土表观病害检测问题。