桥梁在我国的交通运输系统中起着至关重要的作用,近几年,随着计算机视觉和机器学习的大力发展,很多国内外专家都致力于将基于机器学习的数字图像处理方法应用于桥梁裂缝检测领域,替代传统的图像处理方法。与此同时,无人机技术也渐渐在工业中得到了大量的应用。用无人机搭载相机拍摄桥梁裂缝图片,已成为当下代替人工检测裂缝的重要手段。但是用无人机拍摄桥梁裂缝的视频时,拍摄所得图片的量非常巨大,如果使用传统的数字图像处理方法去一一识别所有图像中是否存在裂缝,耗时将非常长,且只能识别形状简单且明显的裂缝图片,一旦裂缝形状复杂,传统数字图像处理方法便无法得到理想的效果。本文基于此,将卷积神经网络应用于桥梁裂缝的检测分类上,可以高效地先将无人机采集的图片进行分类,筛选出真正存在裂缝的图片,再输入到数据库进行后期的长度与宽度的测量。利用卷积神经网络,可以大大提高识别效率,并且能够具备识别复杂形状裂缝的能力。但由于裂缝形状很大程度上是随机的,并且和其它桥梁工件不同,裂缝图像并不具备明显的空间几何特征,这就使得卷积神经网络的输入层对原始裂缝图像的特征提取十分困难。若直接将未经过预处理的图像输入卷积神经网络,神经网络无法收敛,训练无法进行。为了使卷积神经网络的训练更有效,本文将二维信息熵引入裂缝图像评价,并基于此,进行了相应的实验,找到了使裂缝图像的结构信息明显增强的预处理方法。利用该预处理方法,可以在非裂缝图像的信息熵尽可能不变化的情况下,有效增强裂缝图片的信息熵,增加卷积神经网络能够提取到的结构信息,避免卷积神经网络陷入欠拟合,从而构建一个可行的卷积神经网络。之后,在进行了大量的参数调整实验,得到了最终的卷积神经网络实际使用中的各项参数,并进行了滤窗大小选择实验和判定阈值设定实验,得到了一种完整的适用于裂缝识别的智能识别方案,并进行了最终的实际图像识别实验,验证了本文的卷积神经网络的性能。通过实际识别实验,可以认为,本文的卷积神经网络具有良好的实用性。此外,本文也探索了利用传统图像处理方法测量裂缝的长度与宽度信息的方法。并进行了实际采集图片的长宽度测量的实验,最终,开发了一套完整的桥梁裂缝检测系统软件,软件中结合了基于卷积神经网络的桥梁裂缝快速识别算法和基于传统图像处理方法的长宽度测量算法。实现了从无人机采集图片后到计算得到裂缝长宽度信息的自动化全链路。