级配是指集料在各粒径范围内的颗粒分配情况,其中骨料在混凝土和胶结砂砾石中的体积比占50%～70%以上,是影响多项性能的重要因素,合理的配比在实际工程中对保证施工质量、提高建筑抗变形能力和抗渗性能起着关键作用。当前,工程中的骨料级配检测仍多采用标准筛分法。该方法通过机器、人工筛分与随机采样计算级配的合理性,虽原理简单、技术成熟,但实现过程费时费力且代表性不高。在计算机技术高速发展的近十几年中,图像识别技术同样获得了长足的发展,非接触式骨料级配即通过图像识别技术获取骨料的级配数据,针对骨料图像的传统图像识别算法虽然理论成熟,但泛化性差,且难以满足如今工程的精度需求;深度学习图像识别算法精度高、稳定性强但种类繁多、模型复杂,如何应用于骨料级配图像也是需要解决的问题。本文以骨料作为研究对象,通过现场取样,进行多次级配图像采集实验,获得大量实验数据构建骨料图像数据集。研究分析几种传统图像识别方法的原理及在土石料图像上的实际应用效果,详细介绍了实例分割模型Mask R-CNN卷积神经网络的原理并应用于土石料图像,以快速、准确地提取骨料边界及其几何特征并通过多次试验验证方法精度。综上,本文主要的研究内容和结果如下:（1）设计并完成了三次骨料级配图像采集实验。骨料图像是建立非接触式骨料级配检测方法的基础。研究中应用的骨料图像全部经实验采集获得,包含各类图像共5000余张,并以此成果为基础建立了骨料级配图像数据集和深度学习样本标注数据集。充足的实验图像与实测数据确保了本研究的顺利完成。（2）提出了一种非接触式骨料级配检测方法。本文分析了几种传统图像分割方法应用于级配图像中的优缺点,探索基于深度学习的骨料级配检测方法,通过与改进的传统方法融合,形成了本研究中基于图像的非接触式骨料级配检测方法的技术流程。经验证,该方法处理一张约2000万像素的图像耗时在100 s左右,识别出骨料的平均误差可控制在5%以下,使得基于图像进行骨料的级配检测成为可行的方案。（3）基于非接触式骨料级配检测方法,进一步集成了级配检测模块并测试了其性能。经验证,在同组骨料多种条件下识别出的级配曲线间的R~2皆在0.97以上,RMSE可控制在8.0以下,符合预期精度,并为结果输出部分设计了简洁的客户端。