地震后应急期内的首要任务是评估灾区建筑结构损伤程度,并根据评估结果迅速组织应急排险、恢复重建等工作。传统的评估方法往往受限于评估人员的专业背景,使得评估结果因人而异,且评估过程持时长、时效差。因此,一种快速、稳定的建筑结构损伤评估方法尤为重要。通过对国内外研究现状的分析,本文提出了一种基于卷积神经网络的建筑结构损伤评估方法,该方法具有较高的识别效率和准确率,主要研究内容如下:(1)针对我国量大面广的RC框架结构,收集了汶川地震和芦山地震中框架结构破坏图片,包括非结构构件和结构构件,按照《建筑物破坏等级划分标准》将结构构件中梁柱划分为轻微破坏、中度破坏和重度破坏;非结构构件中天花板和填充墙分别划分为完好、破坏和轻微破坏、中度破坏、重度破坏;针对图片不足的问题,采取旋转、镜像手段对图片库进行扩充,为后续的模型训练提供数据集。(2)本文基于迁移学习方法,利用深度卷积神经网络框架中的Alex Net网络对震后框架建筑破坏数据集进行学习。通过与Google Net和Res Net的对比实验,验证了Alex Net在本次识别任务中的优越性。研究Batchsize、Epoch、Dropout、优化函数等参数对识别结果的影响,提出天花板破坏识别模型,准确率达96%左右;针对于填充墙破坏程度识别和梁、柱破坏程度识别准确率较低问题,在Alex Net网络基础上提出了一种改进的卷积神经网络,将识别准确率提升了4%左右。(3)根据《建筑物破坏等级划分标准》提出了建筑结构破坏等级的量化评估准则,通过Matlab将非结构构件和结构构件损伤识别结果进行整合,获得地震所致建筑结构损伤程度,为了便于操作,还开发了GUI图形交互界面。