钢筋混凝土桥梁结构在长期服役过程中,受材料老化、车辆超载、施工缺陷、运营环境恶劣等多重因素耦合作用,会不可避免地产生混凝土裂缝、剥落、露筋、渗水等病害,极大地危害桥梁结构的安全性和稳定性。因此,及时地发现并治理桥梁病害对提升结构的服役安全性至关重要。传统的人工检测强度大、财力耗费高、效率低下,对检测人员的知识储备和经验要求也较高。近年来,借助无人机、爬壁机器人等智能检测设备,搭载高清照相机对桥梁结构关键部件进行检查,获取结构外观病害图像,并从图像中自动分类、定位病害已成为桥梁检测的主要发展方向。针对具有复杂背景信息干扰的桥梁表观病害图像,以实现高精度、自动化、实时化识别桥梁表观病害为核心,本文建立了一套基于卷积神经网络的桥梁表观多病害识别方法,其主要的研究内容及结论如下:（1）为开展基于卷积神经网络的桥梁表观多病害识别任务,通过整理桥梁检测报告、公共数据集等资源,依据《公路桥梁技术状况评定标准》和《公路桥涵养护规范》,收集了2331张由裂缝、剥落、露筋、渗水组成的桥梁表观病害图像。根据不同病害视觉特点,采用LabelImg软件人工标定了病害图像类别及具体病害区域,分别构建了桥梁表观多病害图像分类数据集和多病害目标检测数据集。（2）针对传统病害分类方法主要基于手工特征,在复杂背景下抗干扰能力差,病害分类准确率低的问题,为进一步增强深度神经网络对于病害特征的提取能力,建立了基于深度残差网络ResNet18的桥梁多病害图像分类模型。将采集的病害图像经基于滑动窗口的人工数据扩增后,分别在AlexNet、VGG16、ResNet18网络中进行训练和测试,验证了ResNet18网络在病害分类上的准确率及优势。相比传统的PCA结合SVM方法,经迁移学习策略增强的ResNet18网络大幅度提升了模型分类准确率,实现了多类型桥梁表观病害的自动分类。（3）针对桥梁表观病害存在的形态复杂、密集分布、尺度变化较大等特性,为进一步获取病害的具体空间位置及轮廓信息,提出了基于改进YOLOv3的桥梁表观多病害目标检测方法。通过引入CBAM注意力机制模块和SPP模块,生成了更丰富语义信息的特征图,同时选用CIoU定位损失函数来训练网络,有效地提升了病害目标检测及定位的精度。改进后的YOLOv3算法其mAP值达到了0.843,能快速且更加精准地检测出复杂背景下的多种桥梁病害。结合灰度变换、Otsu阈值分割、形态学处理等数字图像处理方法,提取了像素级的病害面积以及裂缝的主骨架线,获得了裂缝的长度及最大宽度分布,实现了病害像素级尺寸参数的量化。