随着土木工程产业的快速发展,国内外各类建筑行业对混凝土的需求量不断提高,作为混凝土主要成分之一的砂石需求量也随之增多。不同应用中使用的混凝土对砂石颗粒大小的要求各不相同。如何智能化的检测砂石粒径大小,提升土木工程行业的生产效率是亟待解决的研究问题。从图像处理角度出发,本文在分析传统方法检测粒径大小存在问题的基础上,根据砂石颗粒紧密粘连且相互遮挡的特点,提出了一种基于两阶段深度学习的砂石图像粒径检测的方法。在第一阶段,构建了一个砂石分割网络模型,用于将砂石目标与无效背景初步分割。模型基于全卷积网络搭建而成,使用多层卷积网络进行砂石图像的特征提取,经过腐蚀膨胀、形态学操作处理后获得初次分割结果,此为分割阶段。在第二阶段,使用了与分割模型相似的分离网络模型,用于将紧密粘连且相互遮挡的砂石目标相互分离开,得到每个独立的砂石目标,此为分离阶段。在砂石分离后,使用了砂石目标最长径作为砂石的粒径大小,按比例去掉无效值后求均值得到了砂石图像的平均粒径大小。通过实验证明,我们的方法可以快速、准确的获得砂石目标的平均粒径大小。在砂石图像分割能力方面,与其他现有的分割算法相比,我们的方法能够准确有效的将紧密粘连的砂石目标分割开来,提高了砂石目标粒径大小计算精度。