随着数据量的爆炸式增长和计算机硬件水平和运算能力的提升,以卷积神经网络(CNN)为主体框架的深度学习逐渐发展起来,并在多个领域取得了较好的应用。图像中裂缝的自动识别,无论在道路或隧道维护还是对于裂缝型油气藏的探测等方面都起着至关重要的作用,因此将卷积神经网络应用于裂缝图像的识别也颇具意义。本文工作主要分为三方面:第一,针对CNN中优化算法存在的一些不足,提出了将遗传思想与梯度下降法相结合的进化梯度算法,并在卷积神经网络应用于手写体识别的实验中验证了该方法的可行性和优越性;第二,将提出的进化梯度算法应用于裂缝图像的识别,并基于裂缝图像的颜色变化和图像中裂缝形状的特性,提出了改进的超像素分割算法,用于对裂缝图像中裂缝位置和形状等基本信息的提取;第三,为实现裂缝图像端对端的识别过程,使用了基于卷积神经网络的语义分割算法Segnet对裂缝图像进行训练学习,并在训练之前使用数据增强技术建立了大规模的带有精准标签的裂缝数据库,用于解决裂缝图像训练集过少的问题,训练结果良好,可直接得到裂缝图像中裂缝的准确位置信息。总体上,本文提出的改进CNN在处理手写数字识别和裂缝图像识别方面取得了较好的效果,并利用语义分割算法Segnet对裂缝进行了端对端的识别,效果良好。