混凝土桥梁耐久性差、服务寿命短及全寿命经济性指标低等问题已成为普遍难题,因此,对在役桥梁结构性能评估的研究十分紧迫并具有现实意义。混凝土桥梁结构的初期损伤与破坏,首先都是在梁体结构中出现可见裂缝,而裂缝的出现及不断扩展将直接影响桥梁的整体性能。因此,对混凝土桥梁进行健康评估首先从裂缝的检测入手。本文以混凝土桥梁裂缝为研究对象,提出基于全卷积神经网络的混凝土表面裂缝识别方法,自动提取和计算混凝土裂缝的长度及宽度物理值,为在役桥梁结构安全和稳定性评估提供精确可靠的数据支持。(1)本文首先从混凝土桥梁结构裂缝的危害、成因和分类方法入手,对裂缝的物理特性进行分类研究,利用机器学习和深度学习中的经典算法对混凝土表面裂缝进行识别和分割。同时,设计复杂环境下混凝土桥梁底部裂缝图像采集系统,对采集的裂缝图像进行人工准确标记,为深度学习网络模型的训练准备数据集。(2)采用随机结构森林和卷积神经网络(CNN)经典机器学习算法进行裂缝检测。为了验证裂缝预测准确性,将裂缝识别结果与人工标记裂缝进行比较,并从识别精度和识别速度上分析比较传统算法的优缺点。在裂缝图像上寻找最优的检测算法。(3)以随机结构森林和卷积网络为研究模型的基础,对裂缝识别结果进行分析评价,提出一种全卷积神经网络(FCN)的裂缝识别算法作为本文研究模型。首先,通过输入复杂环境下多种类型的裂缝图像对FCN模型进行训练及超参数优化,针对不同特征的裂缝图像在像素级上进行语义识别和分割。然后,运用宽度为单像素的裂缝骨架来表示预测的裂缝分段,定量测量裂缝的形态特征,为实际评价提供量化指标,如裂缝拓扑、裂缝长度、最大宽度和平均宽度等。通过训练好的网络模型进行仿真实验,并与上述传统的机器学习算法对比,验证全卷积神经网络的混凝土桥梁裂缝识别方法的精度和效率。由于FCN模型改进了经典的VGG19卷积网络模型,使裂缝预测精度提高到了像素级,可以接受任意大小的裂缝输入图像,避免了使用图像分割块而带来的重复存储和计算卷积的问题,解决了输入裂缝图像尺寸问题和训练模型时间等问题,因此本文提出的FCN检测模型针对混凝土裂缝目标更加高效。