随着我国基础交通设施的大力发展,桥梁在我国经济和社会生活中的地位越发重要。因此,对桥梁结构的健康程度进行周期性检测显得尤为关键。目前我国的桥梁结构主要以混凝土结构为主。由于外界因素与内部应力的作用,混凝土结构将不可避免地会出现裂缝。裂缝的出现会造成桥梁结构承载能力和耐久性降低,从而引发诸多桥梁病害。因此,桥梁裂缝检测成为了桥梁安全检测过程中必不可少的一环。以往的桥梁裂缝检测工作主要依赖人工进行,该方法存在主观性强,劳动密度大,检测成本高的缺点。为解决这一问题,本文基于深度学习算法提出一种轻量级、高精度、自动化的桥梁裂缝检测技术。论文的主要工作如下:（1）针对桥梁裂缝数据集采集过程繁琐,短时间内采集到的数据集数量少,不足以让深度学习模型训练完全的问题,提出了混合有监督数据增强和无监督数据增强的数据集扩充方法。混合使用图像旋转、图像裁剪、图像加噪、对比度增强以及深度卷积生成对抗网络扩充桥梁裂缝数据集,经过本文方法扩充后一共得到了40000张桥梁裂缝图像,其中20000张为正样本,20000张为负样本,接着对扩充后的数据集进行标注,为之后的模型训练提供数据支撑。（2）针对桥梁裂缝图像纹理复杂多样、分布无规律,深度学习目标检测模型的先验框选取策略无法满足所有裂缝图像的尺寸要求,检测结果漏检现象严重的问题,提出了基于深度分类的格网化桥梁裂缝检测方法。该方法首先将桥梁裂缝图像划分到大小相等的网格内,规范图像中桥梁裂缝的位置分布;其次,对比分析不同深度分类模型,根据实验结果选用最合适的深度分类模型代替目标检测模型降低算法的复杂性;最后,根据深度分类模型的识别结果对识别为裂缝目标的格网区域进行自动标注达到桥梁裂缝位置定位的目的。使用扩充后的数据集训练后,将本文方法与目前先进的目标检测算法YOLOv4和Faster-RCNN的检测结果进行对比,实验结果表明,本文设计方法在桥梁裂缝检测任务中精确度、召回率、F1得分均远高于后者。（3）针对设计的检测技术中所选用的深度分类模型VGG16存在的模型参数量大,存储成本高的问题,根据其参数分布特征,对该模型进行轻量化改进。将VGG16模型全连接模块倒数两层全连接层替换为全局平均池化;删减每个卷积模块的最后一层卷积层;使用基于批归一化层的通道剪枝技术,对冗余的卷积通道进行剪枝处理。将轻量化改进前后的模型进行实验对比,结果表明,改进后的模型在检测精度近似不变的情况下,模型参数量由原来的275MB降低为0.34MB,验证了本文设计的轻量化改进方案的有效性。本文以深度学习算法为基础研究桥梁裂缝检测技术,通过数据集准备,基于深度分类的格网化桥梁裂缝检测方法的设计,深度分类模型的轻量化改进,最终完成基于深度分类的轻量级格网化桥梁裂缝检测技术的设计与实现。