随着我国公路桥梁等基础设施投资体量逐年增加,结构健康问题一直是我国国计民生的重要组成部分。然而,工程结构表面裂缝是评价结构损坏和耐久性的关键指标之一。目前,裂缝检测在实践中主要还是人工检查,该方法工作成本高,劳动强度大且检测效率低。因此,快速及时地掌握公路路面信息,实现结构表面缺陷自动化检测,是亟待解决的工程实践问题。近年来,深度学习在机器视觉领域得到飞速发展,深度学习识别的精确度已经超越了传统的图像识别算法。与传统算法相比,深度学习不需要手工设计特征,能够自动根据原始图像特点进行抽象表达。因此,本文针对混凝土裂缝检测问题,设计了一种能够利用卷积神经网络自动检测混凝土结构图像中裂缝的方法,并应用于混凝土路面裂缝检测中。本文主要内容包括:首先,研究深度学习基础理论。主要介绍了深度学习卷积神经网络的基础理论与原理,即卷积神经网络整体框架、结构功能和训练流程以及常见的目标检测方法。其次,利用深度学习完成裂缝图像分类。采用相机采集混凝土路面图像,并进行图像预处理,创建图像分类数据集。基于AlexNet构架进行结构和超参数的优化,设计混凝土路面裂缝检测模型并对网络进行训练。该模型能够自动学习混凝土表面裂缝图像分类的有效特征并实现自动分类混凝土裂缝图像,精确度能够达到98.5%。最后,实现裂缝图像的目标检测。在图像分类数据集的基础上通过图像标注生成目标检测数据集,利用深度学习目标检测Faster R-CNN方法,采用ZF网络实现对带有裂缝的混凝土图像进行识别和定位,获得一种高效可靠的从粗到精的混凝土路面裂缝实时检测方法。通过本论文研究,实现了结构表面缺陷自动化检测,推进了工程检测技术信息化发展。