随着基建技术的发展,越来越多的大型构筑物被投入使用,并且伴随着使用年限的增长及使用过程中的疲劳使用和自然灾害等一系列因素,造成构筑物表面或多或少的会出现一些损伤,传统检测手段往往是利用人工完成,对工人的人身安全有着极大的考验,并且还存在部分大型构筑物的巡检部位人工很难到达,因此现代化、智能化检测方式的需求变得日益迫切。本文以数字图象为基础,研究构筑物表面损伤检测技术,利用深度学习方法实现构筑物表面各类损伤检测,并对表面损伤中潜在危害更大的裂缝损伤做进一步分析。主要的研究工作包括以下几个方面:一是将构筑物表面损伤检测视为目标检测任务,不同损伤定义为不同的目标,构建了一个包含剥落、露筋、孔洞、蜂窝和裂缝等五种类型的损伤数据集,并对裂缝进行了高低差裂缝和普通裂缝的区分以实现裂缝的分类,提出了基于多注意力机制融合改进的Retina Net目标检测方法来实现损伤检测,方法中引入两种不同的注意力机制在残差网络中的不同位置实现利用注意力模块调节重点关注信息,最后的检测精度达到了87.0%,检测速度为21.9帧/s;二是为实现裂缝精细化检测研究了基于深度学习的图象分割算法,提出了基于半监督学习的改进U-Net裂缝分割方法,将U-Net网络的编码器部分替换为特征表达能力更强的残差网络,并在其中加入窄而长的条带池化注意力机制辅助残差网络进行特征提取,将编码器下采样过程中的所有池化层替换为对裂缝检测更有利的平均池化,提升方法的裂缝分割能力,同时利用了半监督的训练方式使训练神经网络时降低对数据集的依赖程度;最后研究了裂缝图象的几何参数评估,利用骨架法获取裂缝图象的平均宽度,利用最大内切圆方法获取裂缝的最大宽度及其位置,利用像素累计方法获取裂缝的面积,同时设计并实现了裂缝检测系统,对输入的图象进行处理后判断是否为裂缝类损伤,对裂缝类损伤,还进行分割,计算并输出相关几何参数。