混凝土在公路、桥梁等交通基础设施的建设中发挥着非常重要的作用。然而,随着这些设施使用时间的推移,以及雨雪灾害、材料老化等众多因素的影响,这些混凝土结构的设施不可避免的会出现不同程度的损伤,而在这些损伤中,裂缝是最常见也是最严重的病害,及时有效地检测出这些裂缝对于后期的养护具有重要意义。传统的混凝土裂缝图像检测主要是人工检测,该过程不仅检测效率低下并且需要投入大量的人力和物力。随着人们对裂缝检测技术的不断研究,基于图像处理的检测方法由于具有操作简单、检测效率高等优点,受到了人们的广泛关注。但是,基于传统数字图像处理的混凝土裂缝图像检测技术大多数是针对特定场景设计的,一旦场景发生变化,其检测结果往往不尽人意。针对传统图像处理技术对混凝土裂缝图像分割效果不佳、泛化能力较弱等问题,本文深入研究了基于卷积神经网络的混凝土裂缝图像分割算法,设计了以ResNet101为主干网络的端到端分割模型。其融合了更多的低层特征,使得裂缝分割结果更加精细。为了更加接近实际应用场景,与其他方法相比,本文的算法具有更高的检测精度和泛化能力。在实际工程应用中,人们通常采用毫米、厘米等米制单位来量化裂缝,而图像中使用的都是像素单位,因此,如果要计算裂缝实际尺寸必须知道单位像素所代表的实际尺寸。针对此问题本文提出了一种基于平行激光的非接触式裂缝测量方法。通过设计平行激光器,识别两个激光光斑在图像中的像素位置,从而能够方便得出单位像素所代表的实际尺寸。最后利用图像处理技术对裂缝分割结果进行分析,进一步得出裂缝的实际长度和宽度。本文提出的像素标定方法无需其他接触式标定物且平行激光器装置小巧,灵活易用,可方便的配合智能手机使用。最后,本文将提出的混凝土裂缝分割算法与平行激光标定方法集成起来,建立了一套以Android手机为载体,服务器为支撑的混凝土裂缝图像检测系统。手机结合平行激光器拍摄图像并上传至服务器请求处理,服务器收到请求后调用训练好的模型对裂缝图像进行检测分割与测量,并检测将结果返回给客户端供专业工程人员参考。