裂缝是混凝土桥梁中常见的危害,它从形态特征上主要划分为横向、纵向、反射和网状四种类型,不同形态裂缝对桥梁产生的危害性也有所不同。若不及时处理危害类型较大的形态裂缝,任其自由发展,一定会影响桥梁的结构、承载能力以及使用寿命,甚至有可能导致桥毁人亡的重大安全事故。因此,需要对桥梁裂缝的形态特征进行准确分类。桥梁裂缝图像与大坝、岩石、路面等裂缝图像不同,具有背景复杂、噪声繁多、纹理多样等诸多复杂特性。过去研究表明,传统桥梁裂缝图像分类方法和普通卷积神经网络很难将这些复杂特性的影响降低、存在泛化能力差、训练时间较长、准确率不高、基于小数据集等导致分类效果不理想。针对上述问题,本文提出了一种将显著性检测和深度迁移学习相结合的分类识别方法。由于桥梁所处环境的多样性和复杂性,本文基于无人机检测采集桥梁裂缝图像数据进行研究。本文主要研究内容如下:(1)本文从混凝土桥梁结构裂缝的危害、成因、类型入手,研究了裂缝图像的复杂特性和裂缝的形态特征。设计并实施了桥梁裂缝数据采集方案,自建了图像数据集,且对部分裂缝图像进行半自动化准确标记,为条件生成对抗网络模型准备数据集。(2)通过背景先验显著性的方法,采用传统的FT显著性检测算法和改进的基于条件生成对抗网络(CGAN)的显著性优化检测算法进行桥梁裂缝显著区域的提取。与传统算法进行实验比较,本文提出的基于条件生成对抗网络的桥梁裂缝显著区域检测方法具有较高的效率,可以生成高质量、细节清晰的显著性裂缝图像,具有很强的现实意义。(3)以改进的条件生成对抗网络和基于Inception-v3、Inception-resnet-v2、Xception和Densenet201深度迁移模型为研究基础,对裂缝分类识别结果进行分析评价,提出一种基于条件生成对抗网络与深度迁移学习融合的端对端的桥梁裂缝形态分类识别算法,即基于条件生成对抗网络的桥梁裂缝形态分类识别算法(CR-CGAN)。实验结果表明,本文设计的基于条件生成对抗网络的桥梁裂缝形态分类识别算法可避免复杂特性对桥梁裂缝分类识别的干扰。同时,还可以适用于小数据集,提高收敛速度,控制过拟合,减少训练时间,提高模型的泛化能力,有效提取裂缝兴趣区域以及提升桥梁裂缝分类识别的效率与准确性。