清水混凝土即一次成型,不做任何装饰的混凝土,其以混凝土本身的自然质感与精心设计的明缝、禅缝和对拉螺栓孔组合形成的自然状态作为装饰面的建筑表现形式,显示的是一种最本质的美感。我国于20世纪90年代起在各类建筑结构中开始了清水混凝土的应用,但针对其质量控制和验收标准体系还不够成熟,尤其针对其表面气孔及色差的验收和评价方面存在欠缺,缺乏系统的外观质量评价体系。本文基于国家自然科学基金重点项目（面向绿色建筑和智能制造的结构-功能一体化水泥基复合材料51738003）,开展相关方面的研究。本文针对清水混凝土外观质量的主要方面,包括气孔、色差、裂缝等,利用无人机和轨道式大幅面扫描仪进行外观质量信息数据采集,分析其影响因素,基于卷积神经网络深度学习,架构自动化识别、分析模型,并构建出人机交互系统,实现对不同状态、工况、环境条件下的清水混凝土外观质量进行自动化分析评价,最终为清水混凝土工作者,乃至所有混凝土工作者提供高效便捷的大数据分析平台,达到为清水混凝土的设计和验收提供可靠参考的目的。清水混凝土外观质量采集影响因素分析,通过试验确定了无人机摄制感光度为1600～3200、快门时间为1/50～1/20 s、光圈值为2.8～3.5时,采集信息与真实值较接近;无人机摄制图像尺寸、单次采集面积、与采集面间距三者直接相关,为保证采集精度不低于1 mm/pixel,无人机与采集面间距不应大于4 m;摄制角度应尽量使单次采集区域中心点和镜头中心点连线与采集平面垂直。温度影响较小;应尽量使风矢量在平行于采集面方向上的分量小,避免平行于采集面的大风条件下采集;照度应控制在2000-10000 Lux;应尽量保证混凝土表面干燥,表面潮湿度不应大于5%。对异形表面、彩色清水混凝土和设计缝、孔洞进行了相应的采集方法调整。在图像几何校正和数据集制备的基础上建立了清水混凝土外观质量信息数据库;基于VGGNet的基础网络结构,提出了一种基于卷积神经网络的像素级别分割结构,建立像素分类模块,对气孔、裂缝、特异目标和一般表面进行像素级别识别;比较了RGB和CIELab色彩体系,明确空间转换方法,提出了基于CIELab的色差评价指标与计算方法,建立色差分析模块;通过模型的多种性能评估指标,结合多种当前图像识别领域最高水平的神经网络对模型进行优化和固化,并结合主要采集影响因素进行误差与鲁棒性分析。结果证明该模型的目标识别和色差分析在环境条件变化下具有较高的鲁棒性。以科学、准确、易懂、易于用户操作为原则进行了人机交互系统界面设计与实现,进行前后端接口架构,建立了清水混凝土外观质量分析评价系统,并将该采集方法和系统应用于京雄城际铁路雄安站站房工程、京沈客运专线朝阳站站房工程、宁句轨道交通项目工程,通过工程应用验证了采集方法的高效和准确、系统的高自动化程度和易于操作。