混凝土构件垮塌的原因往往都是由于没有进行科学及时的病害检测,这些微小结构的开裂通常会引发整个工程的灾难性破坏。而实际工程中基于目视巡检的传统检测方法通常缺乏准确性和通用性,无法在复杂的基础设施条件下工作;因此必须选择科学合理的方法对建筑物结构进行检查,定期对其健康状况进行评估。其次,准确识别到缺陷之后的一项重要任务就是找到缺陷的位置并执行具体的维护工作。深度学习方法的发展引导了有关损伤检测和图像定位技术的新研究,这种基于视觉元素的结构损伤检测方法有助于建立适当的维护策略,从而节省维护预算并改善基础设施的性能。因此,为了充分利用深度学习方法解决混凝土构件损伤地检测与定位任务,本文研究了一种基于计算机视觉的自动检测和定位混凝土损伤的方法,主要研究内容如下:针对没有统一的混凝土损伤数据集所导致的各种方法缺乏检测标准问题,构建了一个包含各种复杂场景下的大规模混凝土损伤数据集。该数据集由10691张包含混凝土裂纹、斑点、钢筋裸露和剥落等各种典型缺陷类型的图像组成。针对现阶段混凝土缺陷检测算法的推理速度慢、准确率低等问题,采用深度可分离卷积,倒残差网络结构和线性瓶颈结构给出了一种快速检测和分类混凝土损伤的新颖深度学习方法。所出的方法与原始的混凝土损伤检测算法相比,网络参数只占原始网络的1/5,网络推理速度分别升了24.1%和53.5%,综合检测精度分别高了3.25%和4.04%。为了进一步高混凝土损伤检测算法的性能,分别对混凝土损伤检测和分割算法进行了优化,出了一种基于深度学习的两阶段混凝土损伤检测与分割的方法。所出的方法将混凝土损伤检测和分割相结合,以便在第二阶段中对检测到的混凝土裂缝进行分割,将检测精度具体到损伤像素点。实验结果表明,相比于原始网络的精度分别升了4.31%和7.47%,网络的推理速度分别升了35.3%和50.3%。为了降低混凝土缺陷检测方法在实际工程应用中的数据标注成本,高像素级的损伤检测精度并且实现混凝土损伤地理位置的定位,出了一种基于自监督实例分割和位置识别的混凝土损伤检测与定位方法。该模型不仅拥有在复杂场景中检测和分类各种典型混凝土缺陷的能力;同时可以对检测到的缺陷进行精确的地理定位而无需外部传感器。所出的模型仅通过边界框注释成本和自动索引的方式便可实现缺陷的像素级检测和地理定位任务。实验结果表明,所出模型的检测精度和定位精度分别达到了48.75%和83.69%,与其他方法相比具有显著优势。