混凝土和斜拉索是现代桥梁两大常见组成结构,对桥梁混凝土和斜拉索表面裂纹的有效识别和修护是保障桥梁运营安全的基础。基于机器视觉的桥梁裂纹识别因灵活高效而逐步取代人工。然而,现有的桥梁裂纹识别算法大都通过调整分类阈值降低漏检率,该方法对准确率牺牲较大;且单一的图像识别算法难以应对复杂多样的裂纹检测环境。针对上述问题,本文提出了基于多网络的桥梁混凝土表面裂纹识别和基于图像分割的斜拉索表面裂纹识别总体方案,并分别对其中涉及到的关键技术进行了研究。基于多网络的桥梁混凝土表面裂纹识别算法涉及到的关键技术包括:基于卷积神经网络的裂纹识别、数据集制作及子网络模型设计。为了降低识别漏检率,在不调整分类阈值前提下,基于卷积神经网络,提出了一种包含三个子网络的裂纹图像识别算法。该算法利用多个网络的不同特性对裂纹图像多次筛选,从而在不影响子网络准确率的情况下,降低了图像识别的漏检率。为了提高算法的有效性,从训练数据集和子网络模型设计两方面着手,对三个子网络提取的裂纹特征进行了差异化处理。分别制作了总裂纹数据集、低对比度和背景纹理复杂易漏检裂纹数据集。针对裂纹特征细小狭长、样本中难识别与易识别样本共存的问题,在子网络模型设计中对残差结构、密集连接模块结构及多尺度特征提取结构进行了综合,从而提升了混凝土裂纹识别效果。基于图像分割的斜拉索表面裂纹识别算法涉及到的关键技术包括:斜拉索图像预处理、裂纹分割、裂纹图像处理及特征描述子选择。针对斜拉索图像中的低对比度、细小狭长和两端的裂纹图像,在斜拉索图像预处理阶段,采用均值漂移算法以及图像锐化结合中值滤波算法进行图像降噪。在裂纹分割阶段,对归一化处理后的图像,使用Scharr算子进行裂纹像素分割,从而在不丢失裂纹特征的前提下,减少噪声干扰。为了提升裂纹分割效果,根据斜拉索在图像上的位置相对固定的特点,使用ROI掩模去除斜拉索边界以及边界以外区域产生的梯度特征;然后使用形态学、均值、中值等滤波器去除分割图像上的点噪声,从而获得高性噪比的裂纹图像。为了验证裂纹识别算法的效果,在包含4000张无人机图像的测试集上对桥梁混凝土表面裂纹识别算法进行验证,达到了96.8%的准确率以及0.5%的漏检率。在包含150张爬行机器人图像的测试集上对斜拉索表面裂纹分割效果进行验证,并使用面积作为特征描述子进行分类,达到了96.6%的准确率以及0.6%的漏检率。实验结果表明,本文提出的裂纹识别算法可有效应用于桥梁表面裂纹检测,满足工程需求。