结构物表面裂缝的识别与诊断是评估结构的安全性和耐久性的重要环节,及时的掌握裂缝的长度、宽度和走向等信息对于维护结构物的健康状况并提出合理的治理方案起着至关重要的作用。传统的人工裂缝检测方法耗时高、准确率与检测效率低下,评估的结果易受干扰因素影响。因此有必要引入一种客观,高效的非接触式裂缝识别与诊断方法。随着机器视觉技术的发展和应用,人们开始致力于对结构物表面图像处理来代替人工的近距离接触式的裂缝识别和诊断工作。本文针对传统人工检测方法的诸多弊端,结合机器视觉技术的图像处理研究,分别提出了一种钢箱梁桥裂缝图像的识别算法和盾构衬砌图像的裂缝成因诊断方法。本文的主要研究内容如下所示:（1）为了处理复杂背景下超分辨率钢箱梁桥图像的裂缝分割任务,本文提出了一种模拟人的观察、推理和决策流程的集成深度神经网络。首先,利用集成网络子网中的裂纹检测分类器和裂纹语义分割网络模拟多尺度的人类视觉过程,在此基础上,提出了基于裂缝周边形态特征的裂缝推理分类器,以增强或减弱裂缝存在的信息,并且将图像预测概率和推理信息的融合,对裂缝进行反复判断和修正。结果表明,该算法能有效降低手写和焊接接头等特征的干扰,为裂缝特征参数的测量提供更准确的分割结果。（2）对于地铁盾构隧道的表面裂缝图像,通过对衬砌裂缝进行识别与标记,提出了一种在隧道管片结构损伤信息不明确、结构参数不完整等情况下,适用于隧道管片裂损机理推断的图像匹配方法。通过有限元模拟多种可能引起衬砌破损的工况,并且将三维管片数据模型转化为二维图像以此建立案例数据库,根据裂缝的开展位置与开展形态将真实衬砌裂缝与案例数据库进行匹配分析,实现了盾构衬砌裂缝成因的初步诊断。