近年来,基于深度学习的建筑物损伤检测算法被广泛应用在建筑裂缝识别和建筑裂缝目标检测这两个任务上。深度卷积神经网络和相应的目标检测算法不仅可以更加智能合理的提取图像特征,并且在经过大量数据训练后,模型具有优异的准确性和泛化能力。本文针对裂缝识别和裂缝目标检测两个重要问题展开了深入研究。主要研究内容和成果如下:（1）搭建无人机采样平台,通过无人机高空采集与互联网开源数据集相互结合的办法,构建了含有16700张照片的建筑裂缝分类数据集和4000张照片的建筑裂缝目标检测数据集。（2）研究了不同深度的Res Net残差网络（Res Net18、Res Net34和Res Net50）的网络结构和算法原理。深入探究了Se Net（Sequeeze and Excitation Networks）、BAM（Bottleneck Attention Module）和CBAM（Convolutional Block Attention Module）三种不同的注意力机制的算法原理。（3）在已有的注意力机制的基础上,克服其存在的推理速度与准确率无法兼顾的问题,提出了一种可以嵌入到任何网络结构中的并且适用于裂缝检测的新型注意力机制NDAM（Novel Dual Attention Mechanism,NDAM）,NDAM模型结构相较于其它注意力机制准确率更高、运算复杂度更低。搭建了15种不同深度的Res Net网络和上述四种注意力机制相结合的模型进行实验,结果显示Res Net+NDAM注意力模块的性能,在裂缝分类数据集上显著超过了Res Net+Se Net、Res Net+BAM和Res Net+CBAM这三大类模型。其中Res Net18+NDAM模型的性能最强,在裂缝分类数据集上的准确率为99.5%。（4）采用梯度加权类激活热力图（Gradient-weighted Class Activation Mapping,Grad Cam）可视化算法,分析了Res Net18+NDAM中的4个卷积块的类激活热力图,结果显示Res Net18+NDAM网络的识别判断依据是十分准确的,可以准确地学习到裂缝和非裂缝的区别,这增强了所提算法的有效性和可解释性。（5）分析了YOLOv3、YOLOv4以及YOLOv5的算法原理、训练技巧和网络结构。采用迁移学习的方法在裂缝数据集上训练了YOLOv3和YOLOv5两个模型,并测试了其性能指标。结果显示,在裂缝目标检测数据集上,YOLOv5相较于YOLOv3,在推理速度和识别性能上都有了显著提升。