桥梁结构的健康状况与经济、安全等问题密切相关,目前已建成并投入使用的在役桥梁面临着严峻自然环境、荷载效应、材料老化、疲劳等作用的耦合效用。随着使用时间的增长,在使用荷载或者外在环境的影响下,桥梁结构会产生裂缝并不断扩展和延伸,导致桥梁的安全状况发生变化,影响桥梁的耐久性与使用年限。传统的裂缝检测方法时间成本高、准确率与检测效率低下,易受干扰因素的影响。本文将基于图像处理与深度学习算法,提出高效准确的桥梁裂缝识别算法,为桥梁的安全状态及耐久性评估提供依据,主要研究工作为以下几个方面:(1)探讨了进行桥梁裂缝检测及识别的意义及重要性,综述国内外关于裂缝识别的研究现状,确定本文的研究内容。(2)主要介绍了基于贝叶斯压缩感知方法进行图像重构的过程,分别对信号进行基于离散余弦变换基与小波变换基的稀疏表示,然后实现裂缝图像重构,基于峰值信噪比与重构误差值分析不同采样率下图像的重构性能。(3)基于数字图像处理进行桥梁结构裂缝识别,先对图像进行灰度化、滤波等预处理,再运用最大类间方差法与边缘检测算法进行图像分割,然后进行裂缝的特征提取与识别。对于边缘检测算法,对比了 Sobel算子、LOG算子及Canny算子的识别效果,分析了光照等条件对识别效果的影响。(4)运用深度学习方法实现桥梁裂缝的自动识别。提出Ci-Net全卷积网络结构,基于数据库图片训练模型,采用准确率、召回率、交并比及F值对训练后的网络进行性能评价。基于实际桥梁裂缝图像验证其结构裂缝识别能力。(5)基于室内混凝土梁试验与现场试验,对比分析最大类间方差法、边缘检测方法及全卷积网络方法,并分析了三种方法对干扰因素的敏感程度,全卷积网络方法表现出了更好的性能。