裂缝是土木结构的常见的损伤之一,传统裂缝检测的主要方法是人工视觉检查,在实际应用中费力耗时且存在较大主观因素。近年来,计算机视觉和深度学习理论的发展,为裂缝的检测和识别提供更加自动化的手段。然而,当图像处理技术检测图像中的裂缝时,需要提取特征。因而,图像处理技术的使用也受到限制,因为在真实混凝土表面上拍摄的图像会受到由光照、模糊等引起的噪声的影响。本文研究基于深度学习的混凝土结构表面裂纹的识别方法。本文主要研究内容如下:在研究了深度学习的泛化理论和随机梯度下降算法的基础上,提出了一种基于卷积神经网络的实际混凝土表面裂缝检测方法,设计了卷积神经网络(CNN)框架和每个网络层的节点连接等,实现自动裂纹图像特征自动提取。采用消费级相机拍摄混凝土结构表面裂纹,对设计CNN进行训练和测试。为了训练CNN,首先建立图像数据库,从真实混凝土表面拍摄大量图像,使用窗口滑动方法裁剪成小图像,分类并且标记。建立了一种体系结构,来使用CNN训练数据集检测裂缝。几个包含不同数量子图像的数据库用于比较训练的准确度和时间。大部分数据库包含86,000个子图像,图像大小为96×96,利用提出的结构能达到98%的准确度。采用无人机(UAV)对实际混凝土框架结构表面裂纹进行图像拍摄,探讨采用无人机获取的图像进行裂纹识别的可行性,进一步验证了提出的基于CNN的裂纹识别方法的有效性。