结构表面裂缝是混凝土结构最常见的损伤,及时准确的识别裂缝对结构的安全性和可靠性评估至关重要。随着大量土木工程基础设施的建设与服役,传统基于人工的混凝土结构表面裂缝检测工作愈加繁重。人工检测耗费时间长、失误率高、检测效率低且检测人员安全得不到保障,急需发展可靠高效的自动化智能裂缝检测手段。然而在现有全自动化检测实践中,由于测量环境变化、传感器误差、检测数据质量低以及检测算法误差等因素,造成检测精度难以满足实际工程要求。为此,基于结构表面图像信息和先进的计算机视觉技术,开展基于深度学习与三维重建技术的自动化智能裂缝检测算法研究,提高裂缝智能检测方法的可靠性和鲁棒性,推进自动化检测技术在工程实践中的应用。主要工作和成果如下:1、基于计算机视觉中相关深度学习算法,联合卷积神经网络、Transformer以及跳跃连接、特征金字塔、特征融合等物体空间细节弥补技术,提出了针对混凝土裂缝识别网络模型1-28,通过网络模块设计试验确定了三个不同编码器配置的混凝土裂缝识别网络模型FPAFFN1、2、3。基于裂缝公开数据集对比试验以及不同阶段对比试验,验证了上述网络模型裂缝识别性能。FPAFFN3在CRACK500测试数据集取得了的75.25%的均类交并比（mean Intersection over Union,m Io U）指标值,比其他下游工程实践网络最多多出10%,最少多出2%。在其余公开裂缝数据集中,测试成绩m Io U值也均为最佳,鲁棒性能好;2、基于深度学习轻量化优化方法,对不同编码器配置的网络模型FPAFFN2、3进行了网络模型参数变化分析。针对模型参数量、浮点计算量、显存占用,提出了三种针对编码器的轻量化优化方案,并分别按照优化方案进行了主干网络优化试验、模型深度优化试验、模型通道优化试验。基于FPAFFN2、3,进行了主干网络优化,提出了FPAFFN4;基于FPAFFN2,进行了模型卷积层输出通道数优化,提出了FPAFFN5。FPAFFN4在FPAFFN3的基础上,使用深度可分离卷积,减少超过百分之九十的参数量以及浮点计算量,但m Io U值仅下降0.7%。而FPAFFN5,在保证高水准裂缝识别性能的基础上,删去原来百分之九十的参数量、百分之八十的浮点计算量以及一半的内存占用量,各个裂缝数据集测试m Io U值仅次于FPAFFN3,为综合最优的轻量裂缝识别网络;3、为了有效识别裂缝的同时准确定位裂缝在构件三维空间中的位置,进一步减少人工参与,提高结构健康检测的效率,结合裂缝识别网络模型FPAFFN5与成熟三维重建算法,构建了三维重建裂缝检测系统。在工程混凝土板构件的实地裂缝检测试验中,得到了摄像机采集数据位姿指导。三维重建裂缝检测系统可以从拍摄图片中准确识别构件裂缝,构建包含完整裂缝信息的三维裂缝损伤模型,验证了轻量裂缝识别网络模型FPAFFN5以及三维重建裂缝检测系统在实际工程领域的有效性和鲁棒性。