桥梁是交通互联、交换互通的主要节点和关键工程,是国家经济发展和人民生活平安的主要保障。桥梁的安全耐用事关我国的国计民生,因此定期对桥梁进行监测是非常有必要的。现在,桥梁的监测得到了国家的高度关注,其中桥梁裂缝的检测更是重中之重,因此对桥梁裂缝智能检测算法的研究具有非常重要的意义。随着计算机视觉的发展,国内外学者将多种技术应用于桥梁裂缝的检测中,并取得了相应的研究成果。但目前主流的桥梁裂缝检测算法主要面临以下的问题:（1）传统的基于数字图像处理桥梁裂缝检测算法大都涉及到了对各种阈值的处理,虽然基于阈值分割的识别方法容易实现,但是这类算法并没有考虑影像表面环境的变化以及光照、噪声、纹理等因素对于裂缝识别的影响,因此,取得的效果极其不稳定且很难确定一个最优的阈值处理不同类型的裂缝图像;（2）当桥梁裂缝不是简单的形态或桥梁裂缝图像背景复杂、噪声干扰大时,传统的数字图像处理算法和浅层机器学习算法不能很好地检测桥梁裂缝。针对以上问题,本文详细的研究内容如下:（1）针对传统的基于数字图像处理方法的桥梁裂缝检测算法很难确定一个准确的阈值和参数,适应性不强。本文进行了研究分析,提出了一种基于图像重生成的桥梁裂缝检测方法。首先将采集的真实桥梁裂缝图像与一幅等大的纯白色图像进行图像相减运算,消除部分背景噪声;然后基于伽马变换算法进行图像增强,加大背景和裂缝的像素差异;再利用图像的直方图将图像的背景去除掉,保留裂缝,重新生成背景为黑色的裂缝图像;最后利用轮廓寻找函数完成裂缝的提取和定位。实验结果表明:该方法检测到的桥梁裂缝符合裂缝的真实区域,几乎无噪声干扰,且实现了裂缝的精准检测。（2）针对传统的数字图像处理算法和浅层机器学习算法不能很好地检测裂缝,而基于深度学习的神经网络经过学习得到的深层视觉结构特征有利于处理这些问题。因而,本文提出一种基于Faster R-CNN的桥梁裂缝实例分割网络。首先该网络在Faster R-CNN网络的基础上添加了一个裂缝掩模分支来预测每个感兴趣区域上的裂缝分割掩模;然后为了使特征图感兴趣区域映射回原图相应区域能够完成像素级的对齐,使用感兴趣区域对齐层代替了 Faster R-CNN中的感兴趣区域池化层;最后为了生成高质量的裂缝掩模,实现了一个裂缝掩模交并比的预测网络叫做预测裂缝掩模交并比,该网络模块将裂缝实例特征和裂缝预测掩模一起作为输入,学习预测裂缝实例分割掩模的质量,从而提高了桥梁裂缝的实例分割结果。