涉水基础建筑主要构造为混凝土结构,这些建筑的水下结构部分在长期服役过程中,受外界荷载因素与水下环境侵蚀的影响,会造成不同程度的损伤,这些损伤最初会以表观病害的形式出现。因此,我们需要定期对水下混凝土结构表观病害状况进行安全性检测。由于水下环境的复杂性和水体对光的散射与吸收,在检测过程中,会导致采集的水下图像出现模糊、雾化、失真等现象,从而影响病害的准确识别和分类。为了解决浑浊水域中水下图像成像模糊、雾化、失真导致的病害检测识别率低与分类不准确的问题。本文提出一种基于深度学习的水下混凝土结构表观病害智慧识别方法,这种方法利用深度学习中的图像处理和目标识别技术,构建了一个适用于浑浊水域病害的两阶段识别体系。其中,该体系包括图像融合模块和目标识别模块。可以将浑浊水域下采集到的病害图像,先通过图像融合模块来增强病害的可检测性,再通过目标识别模块（改进的YOLO v5s算法）达到对浑浊水域下水下混凝土结构表观病害的快速、准确定位与分类的目的。针对该方法的研究,本文的主要工作内容和成果如下:（1）水下数据集构建:根据本文算法的试验研究与方案对比需要,采集大量的水下病害数据集,包括浑水数据集与清水数据集;（2）图像融合模块构建:根据水下成像的特点和原理,利用深度学习中多尺度Retinex算法（MSR）和Cycle GAN算法对图像重建与增强的原理,构建一个图像融合模块。达到对输入图像清晰化重建的目的,以提高混凝土表观病害的可检测性。（3）YOLO v5s算法轻量化过程:为了满足将算法嵌入现场的无人检测设备需要,使改进后的算法模型参数量更小和检测更高效。引入轻量级网络Ghostnet中的Ghost module和Ghost bottleneck模块对YOLO v5s算法进行轻量化改进。（4）YOLO v5s算法精度提升过程:为了进一步减少算法模型权重,同时提高轻量化算法模型的检测精度。对轻量化后的YOLO v5s算法,进行Sim AM注意力机制方面改进和在本文数据集的情况下探究最适合的损失函数与激活函数组合,通过不同组合的对比研究分析,得到了Sim AM注意力机制的最佳改进方案与最佳函数组合。最终改进的YOLO v5s算法相比于原始YOLO v5s算法,m AP（mean Average Precision,平均精确度均值）提高了4.7%、P（Precision,查准率）值提高了5.8%和R（Recall,查全率）值提升了7.4%,同时模型权重减少了46.5%。（5）本文两阶段识别体系测试分析:对本文提出的基于深度学习的水下混凝土结构表观病害智慧识别方法进行消融试验,探究该方法在浑浊水域下对病害的识别效果。结果表明,运用本文提出的基于深度学习的水下混凝土结构表观病害智慧识别方法相比未采用该方法的测试结果,m AP值提高了62.5%,、P值提高了7.7%和R值提升了84.5%。