随着我国城镇化水平不断提高,城市规模和体量不断加大,其应对自然灾害风险挑战和应急能力愈发重要。城市建筑群结构地震破坏定位与分类作为重要的震害评估环节,对政府应急救援决策和震后建筑加固维修具有重要的参考意义。建筑结构地震破坏由于其特殊的形态学特征、复杂的区域性与强背景噪声干扰等因素,使得传统人工检测存在时效性欠缺和主观依赖性强的局限,而传统图像处理如阈值分割、边缘检测等方法存在精度低、速度慢、计算量大等困难。基于计算机视觉的智能感知与定位识别方法,因高效、快速、精度高和复杂场景适用强等优势,可望为结构破坏地震破坏目标检测和分类评估提供参考。本论文基于YOLOv4深度学习模型提出了建筑物结构构件破坏目标检测方法,实现了多类型破坏目标高准确率定位识别,进而发展了多类型结构构件分类的U-Net语义分割模型,验证了构件破坏类型与所对应构件融合评估震害等级的有效性。主要研究内容如下:（1）建立了国内外典型地震结构构件破坏数据集。采用2016年厄瓜多尔与2008年北川震后建筑室内破坏图片作为数据来源,建立了开裂、剥落、掉块、钢筋暴露与钢筋屈曲等五类破坏标签。根据裂缝特殊的几何形态学特征,先行开展针对裂缝破坏的单分类目标检测训练;进一步开展了剥落、掉块、钢筋暴露与钢筋屈曲四类区域性破坏的多分类目标检测研究。（2）发展了复杂交叉裂缝破坏定位与分类方法。在原YOLOv4神经网络的基础上,通过数据增强丰富数据集,并进行了超参数优化。进一步引入Focal Loss损失函数,改进损失函数中的分类损失,引入超参数α与γ,解决了难识别样本识别率低、误检、漏检等问题。在改进原网络结构的基础上,优化裂缝识别效果评分机制,实现了良好的、符合工程实际的裂缝破坏定位识别效果。（3）针对多分类区域性破坏定位与分类问题,通过加权数据增强手段解决了数据不平衡、个别破坏类别占比较小等问题。引入通道注意力机制与空间注意力机制模块,提高破坏区域识别效果。优化网络上采样模块,在上采样模块中采用Mish激活函数进一步提高多分类破坏目标定位准确率。（4）采用U-Net深度学习模型对对室内建筑构件进行分割识别。数据集采用2008年北川与2021年泸县震后建筑室内图片,建筑构件分为墙、柱、梁、板四类。通过改进优化算法、改进学习率下降方法与超参数训练提升构件语义分割精度。通过破坏区域、破坏类别与构件位置信息的融合,得到建筑构件破坏程度信息,最终实现构件地震破坏目标高精度定位和分类评估。