水下桩墩作为桥梁结构的重要组成部分,由于其所处复杂的水文环境,通常会在其表面产生各种表观病害.现有的光学检测方法存在2个方面的问题:①水下图像模糊不清,色彩严重失真;②无法定量化识别病害尺寸大小,且检测效率低.针对这些问题,提出了图像融合增强算法与深度学习模型相结合的水下桩墩表观病害轮廓提取方法.首先,提出了一种基于点锐度权重的图像像素级融合算法,不仅能够融合2种单一增强图像,而且在保证有效色彩校正的同时还能显著提高图像的对比度.其次,对DeepLabv3+语义分割网络模型进行轻量化改进,使其保证精度的情况下,尽可能降低模型所需的权重参数量;随后采用陆上建筑结构中的表观病害公开数据集训练主干特征提取网络层,并采用迁移学习方法将其运用到　目标域的检测任务中.最后,利用水下试验与实际工程采集到的图像数据集对轻量化改进模型进行训练,建立起水下桩墩表观病害轮廓提取模型,然后对其进行验证与测试,并从3个方面进行了比较与讨论,即与其他5种常用算法的比较、图像融合前后的检测结果以及噪声影响,验证了所提出改进方法的鲁棒性和有效性.结果表明:提出的图像融合增强算法可以有效地增强病害图像轮廓的细节特征,且所提的轻量化改进模型不仅具有最高的识别精度,还能够保持较高的检测效率与鲁棒性,适合植入小型水下机器人中用于实际桥梁结构的水下桩墩表观病害轮廓的实时化、定量化检测.