建筑外墙热工缺陷对建筑能耗存在较大影响,是建筑节能检测的一项重要内容。尤其是在严寒地区,由于施工失误和气候特殊性造成的周期性冻胀,热工缺陷在居住建筑中十分常见,并严重影响建筑能耗、室内热舒适性和围护结构安全。而目前标准中推荐的红外热像仪人工检测和评价方法存在工作量大、误差大及漏检率高的问题,为既有居住建筑热工缺陷定期检测的普及应用带来阻力。因此,严寒地区对热工缺陷快速检测的需求十分迫切。本文在文献研究基础上,以典型严寒城市哈尔滨为例,对居住建筑围护结构进行现场调研。选取外保温围护结构作为研究对象,运用软件模拟方法和对外保温围护结构外墙热工缺陷的检测方法进行理论和应用研究。通过对典型严寒地区哈尔滨居住建筑外围护结构热工缺陷的调研,初步得到常见的温度异常区域4种,在此基础上通过动态数值模拟对缺陷参数变化的表面温度分布特征进行研究,得到检测系统中可疑区域分割中的临界温度梯度参数和相关的检测注意事项。经过以上分析提出一种基于红外图像分割和识别的热工缺陷检测系统。该系统经过预处理、尺寸校正后,采用四叉树法对可疑区域进行分割,并利用不同的机器学习算法进行缺陷分类,最后进行主体墙体平均温度计算和缺陷面积提取,共6个步骤实现热工缺陷的自动识别和面积提取。在缺陷识别部分分别采用四种传统机器学习方法:PCA-BP、PCA-SVM、灰度直方图-BP、灰度直方图-SVM和两种深度学习方法:Le Net-5卷积神经网络和Inception-V3迁移学习对红外图像中温度异常区域进行分类,通过对比分析训练结果验证了这种方法的可行性,并对每种方法在热工缺陷红外图像分类中的表现和适应性进行分析。结果表明,在传统机器学习方法中PCA-SVM取得最高的识别率96%,而深度学习的两种方法准确率均为95%,且迁移学习具有学习速度快、准确率高的优势。本研究的成果对热工缺陷的检测中的注意事项和判定参数具有一定理论指导意义,并为建筑施工验收、节能检测、既有建筑排查中热工缺陷检测提供了一种新的思路和方法。