近年来,历史建筑的管理与保护倍受广州市政府的重视。截止至2021年1月,广州市规划和自然资源局认定了817座广州历史建筑,并且紧跟时代的技术潮流,在国内首次推出针对历史建筑的数字化技术规范。本文针对广州历史建筑构件的检测和识别课题来源于企业项目,企业项目反映了广州市规划局的需求,具有非常重要的现实意义。企业给本研究提供原始数据集。数据集为多人拍摄的真实建筑照片。本文分析了数据集的特点并结合企业的要求,开创性地定义了11个符合建筑学语义且有实际检测和识别意义的建筑构件,分别为骑楼、碉楼、亭子、趟栊门、梁架、镬耳屋、琉璃瓦、琉璃花格、琉璃栏杆、拱券和西式柱式。由于目标检测公共数据集中没有类似本文定义的建筑构件,因此没有标注参考。本文通过实践确立了构件标注规范,总结出针对不同尺度、不同特点构件的标注方法,并完成5718张照片的标注工作,建立了广州历史建筑构件数据集。在构件数据集中,存在各类别间实例分布不均衡问题以及部分类别内实例尺度分布不均衡问题。本文通过数据预处理解决了这些问题。针对数据集中小目标较多且部分目标存在大量空间变换的特点,本文选用了可变形卷积网络（DCN）和Libra R-CNN两种深度神经网络改进模块,并将它们以独立或组合的方式引入至Faster R-CNN和Cascade R-CNN中进行目标检测实验。综合算法的平均精度均值（mAP）、模型的检测时间和各类别的P-R曲线分析发现,相比于其它实验算法,虽然Cascade R-CNN+DCN+Libra模型的检测用时较长,但是其误检率较低,且其mAP在所有实验算法中是最佳的,达到89.36%。因此本文认为Cascade R-CNN+DCN+Libra算法较适用于检测广州历史建筑构件。同时,由于Cascade R-CNN+DCN+Libra算法的mAP和模型检测速度达到企业要求,因此,本文基于该算法设计并实现在线构件检测识别系统。本文建立的广州历史建筑构件数据集,无论对于历史建筑领域的建筑特点研究还是对于计算机领域的目标检测研究而言都十分珍贵。同时,本文开发的构件自动化检测和描述工具满足了企业的需求,切实提高了企业的工作效率。