近年来,由于服役环境条件恶劣、荷载作用形式复杂,在役混凝土工程结构出现不同程度的劣化。损伤检测可以准确掌握混凝土结构或受力构件的损伤位置、损伤程度和服役状态,在结构运行中起着至关重要的作用。土木工程领域已有多种较成熟的无损检测方法,但总体而言适合于结构简单、损伤特征清晰的情况。对于复杂的结构而言,特征提取难度较大,测试精度不高。随着计算机运算能力的提高和深度学习的发展,人工智能等方法为求解损伤问题中结构响应与参数间的关系提供了新的思路,但对于混凝土内部损伤的识别研究,以往的工作大多还停留在损伤模态与特征的提取层面,通过预处理将损伤指标作为神经网络的输入,而不是直接从数据中学习利用卷积神经网络直接学习损伤特征,目前利用二维卷积神经网络和数字图像相关方法进行混凝土内部损伤的研究还停留在起步阶段。本文面向混凝土结构内部损伤识别问题,提出了一种基于二维卷积神经网络和数字图像相关的损伤检测和定位方法。该方法首先基于YOLO算法搭建深度卷积神经网络模型,并基于ABAQUS和Python制作了15000张受损混凝土构件表面位移云图作为网络训练和测试的数据集;通过对网络的训练与优化,得到一组验证集误差最小的超参数,加载该网络进行测试集的预测,将预测出的损伤位置与大小与测试集中混凝土损伤真实值进行对比,从而评估神经网络对混凝土损伤预测性能的准确程度。本文在完成基于有限元模拟结果的损伤识别检测的基础上,开展室内试验,将内部存在损伤的混凝土表面的位移云图输入神经网络进行预测,验证网络在真实损伤情况下的准确程度。试验部分共浇筑7根混凝土梁,浇筑中利用泡沫塑料块模拟混凝土内部损伤。加载过程中,利用DIC设备对混凝土表面的位移信息进行采集,通过计算得到混凝土表面位移场数据。最后进行数据处理,绘制位移云图,将其输入神经网络后获得神经网络的预测值并将其与真实值对比,从而验证神经网络对真实混凝土结构混凝土表面位移场的信息提取能力和内部损伤情况的预测能力。研究发现,神经网络经过有限元数据训练后,对有限元模拟的位移云图测试集进行预测,针对混凝土梁损伤中心坐标的平均预测误差约为5%,对混凝土柱损伤中心坐标的平均预测误差约为4%;对混凝土柱研究了网络对有损与无损的分类能力,发现网络分类的精度很高,准确率和召回率均保持在95%以上。神经网络对混凝土梁试验读取的位移云图进行预测,对损伤位置和尺寸的平均误差约为12%。此外发现,使用弹性阶段其他荷载下的位移云图同样能取得接近的精度。这说明测试时无需受到训练时使用的荷载值的限制仍可取得较高的预测精度。其中,本文提出的三维交并比概念在应用过程中取得了非常好的效果,对损伤的定位能力相比于传统交并比提升约50%。本文是课题组首次开展基于平面分布信息的混凝土结构内部损伤定位系列研究,为后续结构健康监测等课题提供了良好的思路和借鉴依据,具有重要的工程应用价值。