混凝土裂缝类病害,它们既是建筑物表面破损的主要形式,又是建筑物受损评估及养护工作的重点。随着较早一批建筑物的使用时间不断增加,建筑物病害的数量和分布区域日益增多,建筑物健康监测和养护也逐渐成为一个研究的热点。裂缝是建筑物上最为常见、最容易发生且危害较大的病害之一,使用时间过长、加工工艺缺陷还有天气变化都可能导致建筑物产生细小裂缝,裂缝本身对安全所造成的威胁并不是最为严重的,但若不经过及时处理,裂缝可能衍生出其他更为严重的次生病害,一旦建筑物发生坍塌,将会造成严重的安全事故。因此,需要对建筑物裂缝进行及时的检测和修复,从而防止危害进一步扩大。传统的人工养护方式过去曾被广泛使用,但其检测效率低下还带有很强的主观性,已不适用于与日俱增的养护工作量,目前现有的建筑物裂缝检测算法普遍存在着技术通用度不高和检测效率低下等诸多问题,一种检测算法常常仅能够针对具体情况,难以适应各种复杂多变的建筑物表面背景,因此亟待进一步的优化与改进。针对上述问题,本文在分析了现有的裂缝检测文献的基础上,提出了基于深度学习的裂缝检测算法,主要工作内容如下:（1）针对自然环境下裂缝背景复杂,纹理多变的问题,本文提出了一种空洞卷积金字塔Dense Net子块裂缝检测分类算法对裂缝区域进行初定位,首先,提出了裂缝特征提取网络Dense Net,Dense Net采用密集连接的方式提取卷积特征,将卷积层中各小层特征充分利用,可以提取更为丰富的裂缝特征,然后,提出了挤压-激励模块对网络提取的特征进行自学习,对原始特征图各通道重要性进行评估,依据其重要性对该通道特征加权输出,获得更加有效的裂缝特征,最后,提出了空洞卷积金字塔模块进行融合上下文信息学习,不同大小空洞率的空洞卷积具有不同大小的感受野,从多尺度角度来对子块进行分类,有效减少复杂背景被误判的情况,提高子块检测的准确率。（2）针对传统裂缝图像分割方法不能准确提取裂缝的问题,提出了一种基于卷积-反卷积特征融合的整体嵌套网络混凝土裂缝分割方法。在研究编码-解码架构基础上,所提网络首先使用VGG-16作为基础特征提取网络,针对编码阶段特征冗余的问题,基于通道注意力机制,利用通道空间相关性和全局信息对裂缝特征进行激励,去除冗余特征;其次,通过卷积-反卷积特征融合模块将反卷积深层语义信息和卷积浅层特征有效融合,进而提高裂缝特征质量,有效提升裂缝特征响应能力;然后基于多尺度监督学习机制,采用整体嵌套网络（Holistically-nested networks）融合不同尺度的预测结果,增强网络对线性拓扑结构的表达能力,提高裂缝分割准确性,最后提出基于混合空洞卷积边界细化模块,进一步细化裂缝边界,提高裂缝分割准确性。在Bridge＿Crack＿Image＿Data数据集和CFD数据集上的大量实验表明,和其它深度网络相比,所提网络不仅对于不同宽度裂缝均有较好的分割结果,而且具有较强鲁棒性。（3）针对现实场景下裂缝检测需要到现场拍摄就地取样和计算裂缝参数的问题,本文提出了一种建筑物表面受损评估指标,首先采用一种基于查表法的裂缝细化算法,获取裂缝完整骨骼,然后基于图像处理理论开发了一套裂缝几何参数计算方法,包括裂缝面积、长度和宽度等参数,最后基于B/S架构设计了一款在线裂缝检测APP来实现本文提出的检测算法,方便现场在线进行裂缝取样,自动计算裂缝参数以及检测历史记录查询。