桥梁作为世界交通运输的枢纽,是世界各地商贸往来的基础保障。受周围恶劣环境的影响以及桥梁材料使用年限的限制,为了保障交通运输安全和人民生命健康,定期对桥梁进行病害检测十分的重要。桥梁裂缝是最常见的桥梁病害之一,对桥梁裂缝的检测更是必不可少。桥梁裂缝具有形态多样化、易受噪声干扰、背景复杂等特性。深度学习方法因具有识别准确、抗噪能力强的优点,被广泛的运用到不同领域。因此使用深度学习方法对桥梁裂缝图像进行目标检测或语义分割成为了桥梁病害检测领域的热点方法。生成式对抗网络为深度学习方法中一个重要分支,其可利用随机噪声生成与真实图像分布相近的图像,本文通过对现有的生成式对抗网络模型进行研究,提出一种新的基于生成式对抗网络的桥梁裂缝分割方法。本文的研究内容如下:(1)针对实拍裂缝图像中包含许多影响识别模型对裂缝位置信息进行准确检测和分割的障碍物问题,提出了一种基于生成式对抗网络的裂缝图像修复方法。该方法提出距离加权掩膜,提升模型修复的准确度;在判别器结构中引入VGG辅助判别器,辅助生成式对抗网络中原判别器对输入图像进行更精准的判断,降低生成式对抗网络的训练难度,改善生成式对抗网络的生成性能;加入全局损失,进一步优化修复图像的视觉效果;建立针对桥梁裂缝图像的生成式对抗网络模型,降低纹理噪声问题发生的可能性,以及增强模型的多样化裂缝图像生成能力。在修复过程中,首先对障碍物所在位置进行信息擦除获得待修复裂缝图像,同时使用已训练完备的生成式对抗网络生成多样化裂缝图像,接下来为待修复裂缝图像和生成裂缝图像分别覆盖距离加权掩膜,计算生成裂缝图像对应的像素损失、语义损失以及VGG辅助损失并求损失和,将损失和从小到大排序,损失和最小的生成裂缝图像为最优补全图,然后取最优补全图中与待修复裂缝图像缺失区域对应区域为修复块,将修复块与待修复裂缝图像进行拼接,将拼接图像再次输入判别器中计算全局损失,最后对整体损失进行优化获得最终修复结果。(2)针对细小型桥梁裂缝特征不明显、易受噪声干扰、传统分割模型对细小型桥梁裂缝分割准确率低的问题,提出一种基于生成式对抗网络的细小桥梁裂缝分割方法。该方法在判别器结构中引入分割分支,将生成式对抗网络与语义分割网络合二为一,兼具超分辨率图像重建功能与分割功能,加入分割损失,使生成的超分辨率粗大裂缝更容易被分割模型学习并精确分割;将传统判别器结构替换为差异判别器,进一步挖掘真实细小桥梁裂缝图像与生成超分辨率粗大桥梁裂缝图像之间的潜在关联,提高模型的超分辨率图像生成能力;设计超分辨率图像生成模型,使模型生成更加真实的裂缝图像。在处理细小桥梁裂缝分割问题时,该方法首先将低分辨率的细小桥梁裂缝图像转换为超分辨率的粗大桥梁裂缝图像,然后对转换后的超分辨率图像进行分割。(3)针对当前缺乏系统的桥梁裂缝损伤程度评价体系问题,提出一种基于深度学习的桥梁裂缝损伤程度评价方法。该方法将生成式对抗网络与压缩网络相结合运用于裂缝损伤程度评价领域;建立一套裂缝损伤程度评价体系;针对桥梁裂缝图像特性设计裂缝图像生成模型,提升裂缝分类模型的分类准确率,从而使评价体系能够更加精准的对裂缝损伤程度进行评价。通过对裂缝图像修复、细小裂缝分割、裂缝损伤程度评价方向进行研究,建立了一套较为完整的基于深度学习的裂缝图像研究体系,实现了对桥梁裂缝的智能化处理。