近年来,在中国科技飞速发展的背景下,通过高科技检测设备搭载高分辨率相机对桥梁表观核心部位进行拍摄,并运用深度学习算法从图像中自动定位识别病害类型,是顺应当前桥梁检测方法发展趋势。针对在桥梁表观病害图像中,病害部位占比少,背景信息复杂、干扰因素多,同时以实现实时自主高准确率的检测识别桥梁表观病害为目的,本文提出一种基于深度学习的RC桥梁表观病害检测识别方法,并自主研发制作一款搭载高清相机的六足爬壁机器人,通过爬壁机器人获取桥梁表观画面并传回地面站进行实时检测识别,建立了一套半自动化桥梁表观病害检测识别系统。本文的主要研究内容如下:（1）针对现有公开桥梁表观病害数据集难以提供高质量的数据服务,本文收集整理712张常见桥梁表观病害图像,采用Label Img软件对图像病害部位进行人工标注,并与开源数据集融合后总共有1764张高分辨率桥梁表观病害图像。采用数字图像处理仿射变换技术对融合后的图像进行目标病害的多样性扩充,实现了在减少数据收集工作量的同时大幅提高YOLOv3对桥梁表观病害检测识别定位的能力。（2）针对桥梁表观病害特征多样化、尺度多样化和分布多样化等特性造成直接应用YOLOv3的检测识别效果差,提出一种改进的YOLOv3桥梁表观多病害检测识别方法。首先,引入Dense Net替换原部分特征提取网络,从而大幅度减少网络计算参数量以及改善了特征的传播和利用率;其次,在多尺度检测模块分支中嵌入SPP模块,能促进局部特征与全局特征更有效融合;最后,引入当前最优边框回归损失函数CIOU,并利用K-means聚类算法生成适用于本课题研究的YOLOv3先验框数据。这些改进方法有效地提高了算法对桥梁表观病害的检测识别定位能力,改进后YOLOv3的检测平均准确率（m AP）达到了86.3%。（3）针对桥梁表观病害检测高度依赖人工借助相关工具的传统方法具有效率低、主观性强、风险指数高等不利因素,本课题团队自主研发设计一款六足爬壁机器人。采用STM32F103开发板、舵机控制板、树莓派为核心组成硬件,以树莓派搭载高清相机部署在机器人端,利用frp内网穿透技术,可在地面工作站远程获取桥梁表观实时画面并利用所改进算法进行自主检测识别,采用Py Qt5设计开发了一款实时目标检测上位机软件,能直观展示实时检测识别的结果。