桥梁在日常生活中发挥着举足轻重的作用。然而,其状况会因为环境和负载效应而恶化,严重时会影响到行人和车辆的安全。因此,定期检测桥梁的当前状况,及时对裂缝区域进行修复是十分必要的。传统的桥梁养护方法多基于人工检测,不仅耗时长,而且检测效率较低。基于数字图像处理的桥梁裂缝检测技术兼备了检测速度快与检测便捷的优点。然而,桥梁裂缝图像中往往包含复杂的背景信息,数字图像处理方法易受到噪声干扰,从而导致检测精度降低。针对以上问题,本文研究了基于卷积神经网络的裂缝检测方法,分别设计了基于Res Net50迁移学习预训练的桥梁裂缝检测RES-ASPP（Residual Atrous Spatial Pyramid Pooling model）模型以及一种高效、高精度且无需预训练的桥梁裂缝检测MSA（multi-scale atrous convolution model）模型。本文完成的主要工作包括:1.调研分析了现有的基于深度学习的裂缝检测算法,研究并提出基于深度学习的桥梁裂缝检测算法,算法流程包括:输入图像、预处理、数据集标定、模型训练、裂缝检测、输出结果。2.设计裂缝数据集的人工扩增方案,对现存有限体量的桥梁裂缝数据集进行图像裁剪与图像增强,生成了包含6069张桥梁裂缝与背景图像的数据集,可以用于后续的桥梁裂缝检测工作。3.研究了基于Res Net50的桥梁裂缝检测RES-ASPP模型,在Image Net数据集上对模型进行预训练,并依据桥梁裂缝检测的任务需求,加入了能够提取多尺度特征信息的ASPP模块。在裂缝数据集上对模型进行性能测试。实验结果表明,该模型取得了较好的检测效果。4.提出了一种高效、高精度的裂缝检测MSA模型,它融合了空洞卷积、DepASPP（Depthwise Separable Atrous Spatial Pyramid Pooling）模块和深度可分离卷积,可以在没有预训练的情况下达到96.37%的裂缝检测准确率。同时,该模型比传统分类模型具有更高的运算效率和更少的模型参数,消耗的浮点运算数（floatingpoint operations,FLOPs）低于传统分类模型Res Net18、VGG16等,且训练300周期仅耗时286分钟。