公路、桥梁、隧道等设施的建设规模逐年增加,但自然环境和人为因素常使上述设施出现缺陷,因此,需通过日常巡检和维护,来消除缺陷造成的安全隐患。裂缝是其中最为常见和重要的一种缺陷,将高效的自动化巡检技术应用于基础设施的裂缝检测,具有重要的使用价值。基于此背景,本文基于SLAM（Simultaneous Localization and Mapping）和深度学习研究了裂缝检测技术,主要工作如下:（1）总体方案设计:基于本课题的应用场景和功能需求,设计了一种基于SLAM和深度学习的裂缝检测软件系统,包括基于IMU（Inertial Measurement Unit）和Kinect信息融合的SLAM、基于深度学习的裂缝识别和GUI（Graphical User Interface）界面设计三个部分,同时确定了相关软硬件实验平台。（2）融合IMU与Kinect信息的SLAM算法:针对ORB（Oriented FAST and Rotated BRIEF）特征提取和匹配算法的精度和计算效率有待提高的问题,对其进行了改进:（1）借鉴SURF（Speeded-Up Robust Features）特征提取的思想,对FAST（Features From Accelerated Segment Test）角点进行二阶高斯滤波,并采用积分图法平滑图像,从而得到稳定的边缘角点;（2）改进了RANSAC（Random Sample Consensus）算法,提出了基于GMS（Grid-based Motion Statistics）+改进RANSAC的特征粗匹配算法,同时改进了ICP（Iterative Closest Point）精匹配算法,提高了匹配效率和准确率。针对视觉SLAM算法易跟踪失败、松耦合方法对数据利用不够充分的问题,提出了基于EKF（Extended Kalman Filter）的IMU与Kinect信息紧耦合的SLAM算法。首先对IMU和相机的姿态信息进行加权融合,然后采用EKF算法融合位置、角度等信息,并将关键帧中特征点占比加入观测向量,提高了定位精度和算法鲁棒性。（3）基于深度学习的裂缝识别算法:针对细小目标识别难度大、深度网络易过拟合等问题,改进了经典U-Net网络,采用可分离卷积替换一般卷积块,同时添加了归一化层、Dropout层和Re LU层。通过改进U-Net网络与全卷积网络的性能对比,验证了本文方法的有效性。针对裂缝图像不规则、存在较多断裂的问题,提出一种裂缝量化方法,先对断裂的裂缝进行连接处理,再进行量化计算,提高了量化的准确度。（4）裂缝检测算法有效性验证:实验结果表明,基于IMU与Kinect信息融合的SLAM算法具有较高的精度和较好的鲁棒性;基于深度学习的裂缝识别算法不仅具有较高的识别准确度和精确度,还具有较好的鲁棒性和泛化能力。