在我国基础设施和建筑物的高速发展中,混凝土和砌体结构的建筑物被广泛使用,同时裂缝也是客观存在的,裂缝的识别和检测一直是科研人员探讨的热点。随着深度学习、计算机视觉技术的大力发展,神经网络在土木工程领域中的裂缝识别应用的研究也在不断深入,但对混凝土和砌体墙的裂缝识别研究相对较少,同时无论是试验研究还是使用过程中对墙体裂缝的检测都具有重要的应用价值,因此本课题针对砌块砌体墙的裂缝识别开展研究,以近年来发展较好的全卷积神经网络技术进行裂缝的语义分割任务,完成裂缝的识别、检测和分类。本文首先从应用的全卷积神经网络识别技术入手,对所采用的深度学习和卷积神经网络进行了简单基础原理介绍,然后又阐述了全卷积神经网络在语义分割方面的优势及应用。其次以在试验室通过真实试验采集的砌块砌体墙裂缝图像为样本数据库,针对砌块砌体墙裂缝进行简单的分类。然后在原始图像数据库的基础上进行人工像素标定,获得相同数量的标定图像数据库。为了提高神经网络训练结果的精度又进行了一定的图像处理,包括马克笔记号消除、传统图像处理、图像裁剪、数据增强样本多样化等操作。然后介绍了本文所使用的神经网络架构是以Vgg-19为下采样部分基础,用反卷积层对全连接层等网络进行更新替换,以卷积层、池化层、激活层、反卷积层等构成全卷积神经网络模型,并综合比较相关网络模型的函数选择、权重参数和超参数等的选择和比较,以及对神经网络模型运行的结果做了一个综合性的探讨。最后以全卷积神经网络预测的裂缝图像为基础,对其进行传统的图像形态学处理,然后以裂缝图像的像素为单位计算裂缝的长度和宽度等信息。最后根据神经网络对裂缝的分类结果和裂缝图像之间的对比做了分析和讨论。通过本文的论文研究,实现了以全卷积神经网络为基础对砌块砌体墙裂缝图像的识别、检测、分类的工作,为今后深入研究奠定了基础。