在混凝土结构的建造和服役过程中,不可避免地会受到荷载、环境侵蚀以及突发灾害等多种因素的耦合作用,从而在结构表面产生损伤。这些损伤的不断发展和累积将会危及结构的承载力、耐久性和实用性。因此对混凝土结构进行定期检测是非常有必要的。目前,混凝土结构的表面损伤检测方法主要有:人工检测法、传感器检测法、图像处理检测法以及传统机器学习检测法。人工检测法需要花费大量的人力物力。传感器检测法成本较高且对检测人员有专业要求。图像处理检测法存在检测鲁棒性不足的问题。深度学习技术能够自动地从混凝土结构表面损伤图片中学习损伤特征,可以实现对损伤的快速定位与检测,根据检测结果还可以进行后续的损伤测量及评定工作。针对基于深度学习的混凝土结构表面损伤检测方法,本文主要研究内容如下:（1）提出了基于卷积神经网络与穷举搜索技术的混凝土裂缝检测与定位方法。构建了裂缝-背景二分类卷积神经网络并对其进行了训练、验证和测试。将训练得到的二分类卷积神经网络与穷举搜索技术相结合,进行了图片中混凝土裂缝的检测与定位。（2）提出了基于区域卷积神经网络与区域生长算法的混凝土裂缝分割检测方法。建立了混凝土裂缝目标检测数据集,对区域卷积神经网络进行训练、验证和测试。利用训练的区域卷积神经网络对子图像中的裂缝进行检测,然后将子图像检测结果进行拼接组装,再对组装图片中的裂缝进行区域生长分割,实现了混凝土裂缝的像素级分割检测。（3）设计了卷积编码-解码网络并提出了基于设计的卷积编码-解码网络的混凝土裂缝检测和测量方法。设计了一个端到端的卷积编码-解码网络,并对其进行了训练、验证和测试。训练的卷积编码-解码网络用于混凝土裂缝的像素级检测。然后对裂缝检测结果图像进行了矫正,并对矫正后图像中的裂缝的长度、最大宽度和方向进行了测量。（4）设计了全卷积网络并提出了基于设计的全卷积网络的混凝土多损伤检测方法。设计了全卷积网络,并用包含裂缝、剥落、泛碱和孔洞损伤图像的数据集对其进行了训练、验证和测试。将训练的全卷积网络用于混凝土多损伤的检测与像素面积的测量。（5）提出了基于深度学习的钢筋混凝土无腹筋梁在受弯条件下的裂缝特征分析与破坏模式识别方法。总结了钢筋混凝土无腹筋梁在受弯条件下发生破坏的表面损伤特征,并据此研发了基于深度学习的钢筋混凝土无腹筋梁在受弯条件下的裂缝特征分析与破坏模式识别软件。利用研发的软件,对破坏性实验中获得的钢筋混凝土无腹筋梁在受弯条件下的裂缝图像和破坏时的表面损伤图像进行了分析,验证了所提出方法的有效性。