由于我国西北干寒地区长期处于干燥寒冷状态,太阳辐射强、温差大,导致该地区桥梁相比其他地区更易出现病害。目前,桥梁表观病害的检测主要通过检测人员现场检测、处理数据,耗时耗力,尤其对于处在特殊环境的桥梁进行检测,对检测人员的知识储备和经验要求更高,同时存在安全隐患。近年来,通过无人机等终端设备获取桥梁病害表观图像,并对图像进行分析已成为桥梁检测研究的重点方向。通过对西北干寒地区桥梁病害进行调查研究,针对该地区病害类别,建立了西北干寒地区桥梁病害智能诊断模型,其主要的研究方法及结论如下:（1）通过实地调查西北干寒地区公路干线桥梁,结合相关文献,对西北地区桥梁易发生的病害进行机理分析,主要包括混凝土裂缝、碱骨料反应、混凝土泛碱、钢筋腐蚀、混凝土碳化以及冻融破坏,导致桥梁出现裂缝、剥落、泛碱、露筋、腐蚀5类表观病害。收集西北干寒地区桥梁表观病害图像,制作分类模型和分割模型数据集。（2）针对传统卷积神经网络参数量大、训练复杂的问题,采用轻量化卷积神经网络Mobile Net V2模型,构建桥梁病害图像分类模型。为解决样本数据缺乏问题、增强模型对桥梁病害识别任务的适应性、充分提取病害特征,基于轻量化卷积神经网络Moblie Net V2模型增加了迁移学习的方法,设计了递进式分类器和跨局部链接的网络骨干,以提升网络模型对桥梁病害的识别能力。通过改进的Mobile Net V2模型与3种传统卷积神经网络模型进行对比分析,改进的Mobile Net V2模型和Res Net50模型均有较高的准确率,但改进的Mobile Net V2模型相比Res Net50模型,参数量和计算量分别降低了92.39%、97.44%,训练时间降低了60.56%。将3种经典卷积神经网络分类模型与改进的Mobile Net V2模型应用于3座西北干寒地区桥梁,对其表观病害进行分类,改进的MobileNetV2模型获得了90.41%的准确率,与Res Net50模型相比识别耗时降低了83.78%。实验表明:改进的Mobile Net V2模型在拥有较低参数量和模型计算量的同时可以得到较高的准确率、更快的训练速度及更低的分类耗时。（3）为了对桥梁表观病害做出量化的判断,采用卷积神经网络Deep Lab V3+模型,对桥梁表观病害的图像进行分割,获取其尺寸信息。根据西北干寒地区桥梁表观病害图像的特点优化模型结构,将原始Deep Lab V3+模型的骨干网络替换为Res Net50结构,采用ELU激活函数以及Focal Loss损失函数,并对改进模型采用微调的方式进行迁移学习优化。通过标靶法,实现了病害像素尺寸对实际尺寸的转换。通过与2种传统的分割模型UNet、Seg Net进行对比,平均像素精度分别提高了1.82%、3.64%;平均交并比分别提高了3.4%、4.28%。将改进的Deep Lab V3+模型用于实例分析,模型检测得出的病害尺寸与人工实际测得尺寸的相对误差大部分集中在4%～6%之间。实验表明:改进的Deep Lab V3+模型可以准确的对西北干寒地区桥梁表观病害进行分割,并应用于实际桥梁检测。