裂缝检测对保障桥梁安全运营具有重要意义。分布式光纤传感器能够采集沿光纤长度分布的桥梁表面应变,即分布式应变。它对结构表面裂缝敏感,通过检测分布式应变的异常改变,可以定位裂缝。但分布式应变存在信噪比低、正负样本不均衡等问题,给基于分布式应变的桥梁裂缝检测带来了巨大挑战。深度学习能够自动提取噪声鲁棒并且可判别的特征。因此,以分布式应变为研究对象,开展基于深度学习的桥梁裂缝检测方法研究具有重要的现实意义。本文设计并实现了一种基于卷积自编码器(Convolutional Autoencoder,CAE)和分布式应变的桥梁裂缝检测方法,并实验验证了所提方法的有效性。方法假设分布式应变由两类等长的应变子序列组成,分别来源于裂缝和正常区域,从而将裂缝检测问题转换为一个分布式应变异常检测问题。首先,将分布式应变标准化并划分为等长子序列。然后,将子序列送入CAE提取特征向量。最后,设计一种局部异常因子算法,基于提取的特征向量实现桥梁裂缝检测。方法的有效性在模拟桥梁和在役箱梁桥上得到验证,可检测出模拟桥梁23μm以上的裂缝,也可对在役桥梁表面裂缝进行准确检测。本文主要开展了以下三方面工作:1.提出了一种基于CAE的分布式应变特征自动提取方法。构建了一种CAE模型,对分布式应变进行自动特征提取,获得噪声鲁棒的特征表征;并基于CAE的原始输入、隐层输出的特征和重构误差,最终获得刻画应变子序列的特征向量。2.设计实现了一种基于局部异常因子算法的分布式应变异常检测方法。对获取的特征向量进行异常检测,从而实现裂缝检测和定位。3.开展了模拟桥梁和在役桥梁实验研究,验证了本文方法的有效性。