混凝土具备性能好、价格低等优点,因此被广泛应用到现代的各种结构中。然而由于混凝土浇筑施工的特点,导致该材料的质量控制比较困难。在现实生活中,负载过重、温度变化、盐碱腐蚀以及施工技术等因素都可能造成混凝土构件干缩、徐变而破坏,一旦发生严重坍塌事故都将造成不可挽回的生命、财产损失。在混凝土建筑物的日常养护中,裂缝是比较常见且严重的缺陷之一,是导致其他病害（渗水、积尘）发生的主要原因。定期对混凝土建筑物进行定期评估检查对保障国民的人身和财产安全有着重要的意义。传统的人工检测方法以及红外热成像缺陷检测技术存在检测效率低、安全性差等问题,同时人工检测方法往往依赖于检测人员的经验水平和专业素养,其客观性较差。因此,如何通过高效便捷的方式来检测混凝土建筑物的表面缺陷是至关重要的,本文将基于深度学习算法和红外热成像技术来实现建筑物墙体裂缝的高精度检测。本文对目前经典的基于深度神经网络的目标检测算法进行了详细的对比分析,并使用数据集对其中较常用的三种算法进行性能测试。实验结果显示,单目标多窗口检测器（Single Shot Multibox Detector,SSD）较好地平衡了检测精度和检测速度,在准确率和推理速度上都有明显的优势,达到了实时检测的要求。本文提出了一种基于深度神经网络的建筑物墙体裂缝检测算法F-LIWC-DN（Lightweight Infrared Wall Crack Detection Network Based on FPN）,其中所提出的神经网络的优化方向及创新点包括:（1）基于k-means聚类算法对SSD网络的先验框进行宽高比例和分布优化。由于先验框设置的合理与否,极大的影响着最终模型检测性能的好坏,因此需要对图像中裂缝的尺度和分布进行聚类,得到真实裂缝的尺度信息,从而对先验框的长宽比进行合理设置,提升模型的裂缝检测精度。（2）使用轻量级网络MobileNetV2作为算法框架的backbone,采用具有更少参数的深度可分离卷积结构来降低计算复杂度,显著提升模型检测速度;（3）加入特征金字塔结构,结合多层级特征图进行目标检测,充分利用低层级特征获取物体丰富的细节信息。由于目标检测模型的检测速度和精度存在trade-off关系,使用MobileNetV2提升网络预测速度的同时也会不可避免的影响模型性能,FPN网络通过融合多层特征图来进行物体位置和类别信息预测,引入该方法可以在兼顾算法推理速度的同时,提升模型的检测性能。将采集到的红外墙体裂缝图像进行裁剪、翻转等操作来保证数据的多样性,并使用标注脚本制作VOC格式的数据集。基于本文提出的算法模型对红外墙体裂缝数据集进行训练和测试,使用平均精度均值、参数量和计算量这三个指标进行模型性能评估,最后根据算法框架存在的问题进行了优化改进。实验数据显示,改进后的F-LIWC-DN算法的裂缝检测精度达97%,且模型大小为5M左右,仅为原来SSD网络模型大小的四分之一。本文提出的算法在兼顾裂缝检测速度的同时,保证了检测的准确性,在混凝土建筑物缺陷检测领域有着广泛的应用前景。