综述：人工智能与机器学习在遗产结构保护与分析中的应用：一项全面回顾

本综述系统梳理了人工智能（AI）与机器学习（ML）在文化遗产结构保护领域的应用，涵盖结构分析、损伤检测、监测与修复。提出创新性分类框架，将AI驱动方法归纳为计算机视觉、深度学习（如CNN、GAN）、结构健康监测（SHM）及预测建模，并指出数据稀缺与伦理问题等挑战，倡导开放数据合作与可解释AI模型发展。

　　

人工智能与机器学习技术正以前所未有的方式重塑文化遗产结构的保护与分析范式。传统依赖人工巡检与专家评估的方法虽具价值，但存在效率低、主观性强等局限。而通过计算机视觉、深度学习等AI技术，研究者能够更精准地捕捉遗产建筑的细微变化，预测潜在风险，并为可持续保护提供数据驱动决策支持。

计算机视觉与深度学习应用

卷积神经网络（CNN）和生成对抗网络（GAN）已成为从图像数据中识别裂缝、侵蚀、生物退化等损伤的关键工具。例如，基于CNN的模型能够对历史建筑立面进行高精度分割，识别出人眼难以察觉的早期破损。生成对抗网络则被用于缺失结构的虚拟修复，或生成增强数据集以弥补真实数据不足的困境。

此外，多视角三维重建软件如Agisoft Metashape和Meshroom，结合摄影测量技术，可高效构建遗产结构的高精度三维模型。这些模型不仅用于可视化，更可作为结构分析的基础输入数据。

结构健康监测（SHM）与预测建模

在长期监测方面，传感器网络与机器学习算法结合，实现了对振动、温度、湿度等环境因素的实时分析。通过时间序列预测模型（如LSTM），系统可预警结构异常行为，防范于未然。

材料退化的预测同样受益于机器学习。监督学习算法通过历史环境数据与材料性能指标之间的关联，预测石材、木材等传统建材在气候变化下的老化速率，为维护周期提供科学依据。

技术工具与数据处理

当前主流框架如TensorFlow和Keras被广泛用于开发定制化深度学习模型，处理包括激光点云、多光谱图像和非接触式传感数据在内的多源信息。这些工具显著提升了从复杂数据中提取保护性见解的效率。

现存挑战与未来方向

尽管技术前景广阔，文化遗产领域的AI应用仍面临数据稀缺、标注成本高、模型可解释性差以及伦理争议（如修复干预的界限）等问题。此外，许多历史建筑所在地理位置偏远或属敏感区域，进一步限制了数据采集。

未来，推动开放数据倡议和跨机构合作将至关重要。同时，开发可解释AI（XAI）模型有助于提升决策透明度，让保护工作者理解模型推断的逻辑，从而更可靠地应用于实际场景。

综上，人工智能和机器学习不仅扩展了遗产保护的技术边界，更赋予这一传统领域以新的科学维度。通过持续优化算法、丰富数据集并加强跨学科协作，全球文化遗产的长期保存将迎来更加智能的未来。