钢筋混凝土柱是建筑、桥梁、水工等各种工程结构中最基本的竖向承重构件,其在地震作用过程中的损伤和性能退化程度影响着结构的局部及整体安全,损伤评估是研究土钢筋混凝土柱在地震作用下灾变演化机理的重要手段。目前,国内外学者一般通过拟静力试验建立特定的损伤模型来量化钢筋混凝土柱的地震损伤,但在经历实际地震考验后再开展相关试验研究是不现实的。另外,目前的地震损伤智能评估方法只关注了钢筋混凝土柱损伤类型定性划分和损伤的识别与定位问题,无法解决构件地震损伤程度的定量评估难题,震后评估并未能真正实现智能化、自动化。针对以上难题,本文研究了基于计算机视觉和机器学习的钢筋混凝土柱地震损伤程度智能评估方法,基于K-MEANS聚类算法的构件性能退化分级评估,建立了考虑地震损伤非线性加速累积效应的改进Park损伤模型,提出了基于外观损伤参数和构件信息的钢筋混凝土柱地震损伤程度智能评估方法。主要内容包括:首先,提出了考虑钢筋混凝土柱拟静力试验过程中损伤非线性加速累积效应的改进Park模型,研究了基于强度、延性、刚度三个层面的构件性能水准划分方法,建立了基于改进PARK损伤模型的构件性能水准量化评估方法,并且根据95%保证率水平确定了不同性能水准下的损伤指标取值范围;基于上述模型针对124个钢筋混凝土矩形截面柱的拟静力试验结果进行地震损伤评估,结果表明所提出的改进Park损伤模型相比于原模型有着更高的普适性和准确性,对于大部分构件可以较好地表征其地震损伤发展的非线性加速累积规律,并且具有统一明确的上下界。然后,提出了基于外观损伤参数和构件信息的钢筋混凝土柱地震损伤程度评估方法,通过钢筋混凝土柱构件拟静力试验外观病害图像的目标检测框提取混凝土裂缝横向、纵向长度、数量、混凝土剥落面积、钢筋暴露面积等外观损伤参数,以构件损伤参数和剪跨比、轴压比、配筋率等设计参数作为网络输入,以改进Park模型计算的损伤指标作为网络输出真实值,建立由外观损伤参数和构件信息到损伤指标映射关系的深度神经网络模型;基于上述方法对拟静力试验的图像序列进行损伤预测,结果表明智能评估模型可以准确反映损伤发展趋势,验证集上损伤指标的预测值与真实值相关系数在0.98以上。最后,开展了深度神经网络结构参数和训练超参数优化以及泛化性能研究,获得了损伤指标预测性能最优的机器学习模型,对不同设计参数的钢筋混凝土柱损伤程度评估的平均正确率大于75%,对不同地震下钢筋混凝土损伤程度评估的平均正确率大于88%。