桥梁结构是一个国家和地区的重要经济命脉。桥梁结构在全寿命服役周期中,不可避免地遭受到环境侵蚀、往复荷载及突发灾害(如地震)等复杂因素的耦合作用,产生结构渐变损伤的萌生、发展和累积,导致服役性能不断劣化。目前,国内外学者一般采用基于动力反演的模态方法进行结构损伤识别、模型修正和安全评估。然而,此类方法往往只处理有限测点的不完备加速度监测信息,并且依赖对早期微小损伤不敏感的频率这一结构整体属性。另外,结构损伤往往伴随着复杂的非均质背景干扰,常规识别方法在实际场景中的普适性较差。实际工程中的目视巡检结果严重依赖于主观意识、量化不准确,成本昂贵。针对以上难题,本文研究基于计算机视觉的不同类型桥梁结构局部损伤自主智能识别方法,包括研究局部像素信息阈值处理、统计特征无监督高斯聚类建模、基于深度受限玻尔兹曼机高层次特征提取、基于深度有向无环图卷积神经网络多层次特征融合以及基于区域推荐机制的目标检测算法,发展拉索腐蚀疲劳退化评估、钢箱梁微小疲劳裂纹识别、钢筋混凝土桥墩结构多类型地震损伤识别定位等方法。主要研究内容如下:提出基于图像的在役拉索腐蚀状态识别及疲劳寿命评估方法。研究基于腐蚀过程和表观图像统计特征的概率建模方法,建立腐蚀特征空间与疲劳寿命控制参数统计学映射关系;基于上述方法对某桥服役18年的腐蚀钢丝疲劳寿命进行预测,结果表明各类应力幅下疲劳寿命预测误差均小于16%。提出基于计算机视觉的强干扰背景下钢箱梁微小疲劳裂纹自主智能识别方法。构建深度堆栈受限玻尔兹曼机和有向无环图卷积神经网络,提取并融合图像初级细部特征至高级抽象特征的多层次特征;将实际桥梁钢箱梁内部采集的350幅图像用于训练和验证网络模型,预测结果表明,构建的深度神经网络对多座跨海大桥各类样本的迁移识别准确率均大于93%。针对复杂非均质背景下多分类地震损伤的识别定位难题,提出基于计算机视觉的钢筋混凝土桥墩多类型地震损伤分类识别和区域定位方法。构建基于区域推荐注意力机制的深度卷积神经网络,采用具有一定概率保证率的矩形识别框实现多类型地震损伤分类定位,对混凝土开裂和剥落、钢筋暴露和屈曲的平均识别准确率大于80%,平均覆盖率大于88%。