20世纪70年代以来,城镇化进程不断加快,各城市现代化建筑数量骤增,导致目前已建建筑存量巨大。而受外部环境、施工质量和使用寿命的影响,既有建筑墙体会出现不同种类的热工缺陷。热工缺陷的存在一方面造成了极大的安全隐患,另一方面也增加了建筑能耗,故对热工缺陷的定期普查工作极为重要。在现有的四种热工缺陷检测方法当中,红外热像法具有非接触性、检测方便等优点得以推广应用,但在后期仍需通过图像人工判断墙体是否存在热工缺陷以及热工缺陷种类,依赖人员主观经验判断,准确率难以得到保证,且在处理大批量图像时效率低下。为了解决以上问题,本文研究了正常墙体和异常墙体的判断方法、墙体图像异常区域标识方法以及异常墙体分类识别方法,最终形成了一种基于红外图像特征的建筑热工缺陷检测方法,能够实现快速批量地对墙体红外图像进行分类识别。在判断墙体图像是否含有异常区域方面,待处理原始样本过多导致正常和异常墙体图像难以高效区分,通过引入机器学习算法实现快速判断。一方面研究正常墙体和异常墙体的图像特征并选取具有明显物理意义和强可分性的特征,另一方面选取分类效果较好的分类器,通过对比特征和分类器组建的判断模型得到的测试结果,确定了最佳的判断方式。对判断为异常墙体的红外图像,本文提出利用Canny算法实现异常区域轮廓标识,利用K-means算法实现异常区域分割。其中传统的Canny算法在阈值选取时需要人为干预且阈值系数难以确定,故在研究异常墙体梯度分布规律的基础上,提出了一种局部最大类间方差法,通过结合迭代法的二分思想和大津法的最大类间方差思想,实现了自适应标识异常区域。基于已标识的异常墙体图像,本文提出了利用组合式分类方法实现异常墙体的分类识别。在研究不同种类异常特征的基础上,利用二叉树分类识别法、单一特征分类器、并联式分类器和层次化分类器四种分类识别方式对不同种类异常的分类优势,提出了组合式分类识别方法。组合式分类识别方法在保证处理速度的同时,对各类热工缺陷的分类识别准确率均可达到100%,最终作为异常墙体图像分类识别的方法。根据三部分的研究成果,提出了一种基于红外图像特征的建筑热工缺陷检测方法。利用检测方法处理实际墙体红外图像,结果验证了检测方法的可行性和准确性。本文所述方法为既有建筑外墙热工缺陷定期普查工作提供了新的思路和有效的技术手段。