水下墩台基础是桥梁的主要承重结构,健康状态影响着桥梁的的使用寿命,因此有必要定期对桥梁水下墩台进行检测。传统检测方法是人工下潜用探摸的方式对墩台结构病害进行检测,检测结果易受个人主观影响,产生错判漏判的现象,且检测效率低,在水流大的区域,给潜水员的生命安全带来隐患。计算机技术发展日新月异,深度学习技术受到越来越多学者的关注,将其应用于物体识别、检测等方面。为克服传统检测方法的缺陷,本文基于现有的技术搭建了一个轻量级卷积神经网络对桥梁进行水下病害检测;同时提出了一个基于三维点云的桥梁水下病害测量算法,利用深度相机获取病害的三维点云,并将点云输入到本算法内,可计算得到水下病害的三维信息。主要内容包括以下几部分:（1）墩台病害数据预处理首先对搜集到的桥梁墩台水下病害图片进行尺寸大小和格式的统一;为使卷积神经网络可以更好地学习桥梁病害图像的细节特征,提高检测精度,本文提出了一种水下图像增强算法,基于MSRCR基础引入了CLAHE算法,有效提升了水下图像质量,建立得到高质量的水下病害数据集;因收集到的病害图片较少,为提高后期网络训练预测精度,本文搭建深度卷积对抗生成网络DCGAN,进行数据集的扩充;采用labelimg软件将预处理的样本制作成数据集。（2）墩台病害检测网络的搭建针对原YOLOv4网络参数量多、计算量大难以部署在移动式设备中进行病害检测的问题,对YOLOv4网络做出了改进,搭建了一种轻量级网络模型Lite-YOLOv4,使用深度可分离卷积代替普通卷积,对先验框进行多特征融合。建立不同工况下的水下病害,将本网络与其他常用的网络进行病害检测结果对比,结果表明,本网络有较高的检测精度。（3）双目视觉系统的搭建介绍了深度相机的种类,对各类别相机进行了全方位对比,结合本文的研究用途选用双目结构光相机。对相机设计水下密封舱,用于水下使用。相机在水下使用时,光在空气和水的交界处产生折射,这将导致相机获取到的点云信息产生误差,影响测量结果,为此建立了相机水下成像模型,引入了高阶畸变矫正多项式来消除水下图像的畸变。利用张正友标定法完成了对相机的水下标定,根据求解的参数,确定水下空间三维点与图像像素点的对应关系。（4）墩台病害测量算法的研究提出了一个基于三维点云的桥梁水下病害测量算法,采用标定好的相机获取水下病害三维点云,对点云进行滤波去噪,根据三维点在X、Y、Z方向的差值,得到病害长度、宽度、深度;使用泊松曲面重构算法对病害进行重建,利用海伦公式计算得到病害的面积;利用三维凸包算法求出墩台病害的体积。对真实的水下混凝土病害进行实验,结果表明,本方法有较高的计算精度。