桥梁裂缝检测一直是桥梁养护的重中之重,而当前普遍使用的还是较为传统的通过登高车、桥检车、脚手架等途径人为肉眼观测和接触性测量,因此对公路铁路桥梁更科学更便利的检测和养护研究就变得日益紧迫。随着计算机技术和CMOS成像技术的飞速发展,机器学习在视觉图像领域应用更加广泛,随着深度学习理论的提出,图像分割、图像分类、目标检测等成为了当前机器学习算法研究领域的一大热点。本文将图像分割技术与桥梁混凝土裂缝检测相结合,提出一种基于改进的全卷积网络的桥梁上部结构裂缝检测方法。通过长焦单反相机获取高分辨率图像;通过全卷积网络对图像中裂缝、背景和噪声进行分割;又加入了裂缝骨架化,利用骨架化结果的像素值计算裂缝长度,利用裂缝骨架垂线方向在图像分割结果的像素值计算裂缝宽度。本文主要做了以下3方面工作:(1)搭建桥梁上部结构裂缝图像采集装置并预处理裂缝图像数据集。(2)研究并实现了两种主流深度学习裂缝检测算法。(3)设计并实现改进全卷积网络裂缝检测模型,并与主流方法进行比较,然后设计工作站端的桥梁上部结构裂缝检测系统。与传统的检测方法相比,本文提出的检测方法具有成本低、安全、准确、非接触不造成二次破坏等特点。其次,与主流的研究深度学习方法相比,本文提出的改进全卷积网络裂缝检测方法还极大的缩短了检测耗时,提高了检测的准确性。