在大坝、桥梁、隧道等基础设施的建设中,混凝土作为用途最广、用量最大的一种建筑材料发挥着重要作用。然而由于恶劣天气、使用时间、材料质量和施工技术等原因,建筑物的混凝土构件经常会出现不同程度的裂缝,导致混凝土构件形成一定损伤,对基础设施的使用寿命、行人安全以及社会经济产生严重影响。因此对混凝土表面的裂缝等缺陷结构进行检测成为一大重要研究问题。针对此问题,本文提出了一种基于深度学习的裂缝图像检测与分割方法。该方法主要分为两个阶段:在第一阶段中,我们通过卷积神经网络提取抽象特征,并保留每一层的特征图。在第二阶段,我们利用转置卷积将特征图放大,并与低维度的特征进行融合,从而得到精确度更高的分割模型。此外,我们还提出了一种适用于细小物体分割网络的边界加权损失函数,根据像素点到边界的距离不同而给予不同权重,从而使得细边界目标区域被判定为正样本时具有更高的优先级,以此减少分割结果的断裂情况,提高检测精度。为符合实际应用场景,本文还构建了一个真实的裂缝数据集,用于对模型进行训练和验证。之后我们基于图像处理技术对裂缝的分割结果进行了定量分析,通过基本的形态学方法如腐蚀、膨胀、开闭运算等操作得到裂缝的分割标记图、骨架图及几何参数信息,进一步为专业工程人员提供检修和判定依据。最后,本文建立了一个Web端的智能缺陷检测原型系统,将之前提出的裂缝检测与分析方法集成起来。通过该系统,我们可以批量导入需要被检测的图片,通过后端处理后便可得到含有裂缝的图片信息列表,并可将结果导出离线查看,具有较高的实用价值。