裂缝是混凝土裂缝是混凝土桥梁结构中最严重的缺陷之一。它不仅影响结构的外观,而且引起内部钢筋的腐蚀,加速桥梁的老化,降低结构的承载能力。因此,快速、准确地检测裂缝是混凝土桥梁检测和安全评价的重要手段。然而传统的裂缝检测技术费时费力,同时具有一定的危险性。随着科学技术的进步,数字图像处理技术作为混凝土桥梁裂缝检测的有力工具得到广泛的应用。本文借鉴数字图像处理和深度学习基本理论,对裂缝图像识别方法进行改进和优化,探究数字图像处理在红外裂缝检测应用的可行性。本文的具体研究工作如下:1.进行混凝土梁压弯实验,采集裂缝图像。本文首先设计混凝土梁压弯实验,利用数码摄像机拍摄裂缝数字图像,然后采用ACTIS（Automatic crack test item system）系统进行裂缝信息的识别,研究拍摄距离、拍摄角度和焦距对该系统识别精度的影响。2.提出一种基于分块思想的混凝土梁表面裂缝识别方法。该方法的具体步骤为:（1）对图像进行分块处理并结合最大类间平均灰度差法对切分出来的子块进行筛选。（2）后结合二维最大熵阈值分割法对图像进行阈值分割。（3）对混凝土压弯实验获得的裂缝图像进行识别。结果表明该算法能精确地提取出裂缝目标的特征,在裂缝检测中具有可行性。3.结合数字图像处理来进行基于红外热像的裂缝识别研究。首先采用红外热成像仪采集裂缝红外图像。其次,采用四种红外增强算法（灰度线性变换、直方图双向均衡化、基于重力和抑制网络的红外图像增强以及基于自适应直方图划分的红外图像增强算法）对采集到的红外裂缝图像进行识别。最后,通过对识别结果进行定性和定量分析,可以得出基于自适应直方图划分的改进红外图像增强方法的精确度较高,能够有效地区分红外图像中的裂缝和背景。4.结合深度学习理论开展基于改进U-net神经网络模型的裂缝数字图像识别研究。本文搭建了一种基于改进U-net神经网络的模型,并通过图像翻转和标记获得900张训练集图像和100张测试集图像,利用新模型对这些数据进行训练。实验结果表明本文识别方法的测试集平均精确率比采用原U-net模型的识别方法提升11.7%。5.把改进U-net神经网络模型应用于实际桥梁检测中。首先对枫山村桥等桥梁进行现场检测并采集现场的裂缝照片,然后采用改进U-net神经网络模型对桥梁检测中采集的裂缝图像进行训练和识别分析,最后结合Matlab编程对分割后实验图像中的裂缝宽度进行测量,结果表明本文深度学习方法识别得到的裂缝宽度与实际结果误差均值为12.26%,精确度较高。