目前,结构设计主要方法主要步骤如下:收集重要结构设计参数,如地基承载能力、所在地区抗震,运用商业软件建立结构模型,进行试算,最后根据实际情况和相关规范要求进行修改。传统结构设计方法主要缺点如下:步骤繁琐、设计周期长、需要大量人工干预,且设计人员自身的相关经验知识会直接影响结构性能。针对以上问题,本文提出了基于深度学习的钢筋混凝土结构智能设计方法,包括基于计算机视觉和卷积神经网络的钢筋混凝土箱梁截面设计和基于深度神经网络的建筑楼板内部配筋设计两部分,为传统结构构件设计因严重依赖工程师经验和人工干预而导致的低效率难题提供了一个崭新的解决思路。提出了基于计算机视觉和卷积神经网络的钢筋混凝土箱梁截面设计方法。首先实现了对单箱单室钢筋混凝土箱梁截面外轮廓特征提取。使用了52幅箱梁截面轮廓图像作为样本,经过包含13个卷积层和3个全连接层的VGG-16卷积网络,以截面高度和下翼缘板宽为输入,箱梁截面轮廓图像为输出,建立了箱梁截面轮廓设计的计算机视觉方法。经过30个迭代,卷积网络稳定,图像准确率达到99%,能生成效果不错的箱梁截面轮廓图像,同时网络具有很好的泛化能力。接着,针对所生成箱梁截面轮廓图像可能存在的以下问题:部分生成图像的总高度与原始样本存在较大误差、下翼板超出腹板、上翼板中部存在缺陷,采用拟合和形态学运算等图像处理技术对生成的箱梁截面轮廓图像进行后处理,从而使得所生成的箱梁截面更符合工程实际。最后基于霍夫直线检测对生成图像中箱梁上翼板角度与原始图像进行对比。提出了基于深度神经网络的建筑楼板内部配筋设计方法。本文采用深度卷积神经网络,以1386条楼板参数化后数据作为样本,经过4个卷积层和1个全连接层的卷积网络,以基本设计参数为输入,楼板内部配筋为输出,研究矩形钢筋混凝土楼板内部受力钢筋的智能设计方法。深度卷积神经网络在约100个迭代次数后稳定。通过与实际图纸样本的对比,钢筋直径分类正确率为79.5%,钢筋间距分类正确率为70.3%,上部钢筋延伸平均相对误差为8.2%,具有较高的正确率。最后讨论了基于深度学习的箱梁内部配筋设计可能性。最后,对所获得的矩形钢筋混凝土楼板配筋结果进行了力学验算,具体包括弯曲应力和裂缝验算,验证了智能配筋设计方法的有效性。验算结果表明,95.2%的楼板智能配筋结果通过了承载能力极限状态验算,89.4%通过了正常使用极限验算。本文结论如下:基于智能设计方法所得到的结果与实际工程情况吻合,验证了智能设计结果的有效性和正确性,证明基于深度学习的钢筋混凝土结构智能设计方法完全可行,提供了一种有别于传统结构设计方法的新思路,为提高工程结构的设计效率以及自动化和智能化程度奠定了基础。