建筑外墙空鼓缺陷严重影响建筑结构安全与耐久性，传统检测方法效率低且破坏性强。红外热成像技术能非接触快速扫描捕捉外 墙温度场异常，但易受环境干扰且依赖人工判读。本文提出将红外热成像与机器学习深度融合的检测框架：用高精度红外设备采集多场景 数据构建多维数据集，该数据集包含温度梯度、热传导响应等特征；利用卷积神经网络自动提取热图像中的空鼓特征，结合迁移学习优化 模型泛化能力；引入环境参数补偿算法消除温湿度、日照等干扰，通过多模态数据融合提升检测鲁棒性。实验表明，该技术在复杂环境下 空鼓识别准确率达百分之九十三点二，较传统方法提升百分之二十八点七，单栋建筑检测时间缩短至 2 小时内，为建筑外墙智能化检测提 供了理论支撑与技术路径。 关键词：红外热成像；机器学习；建筑外墙；空鼓检测；无损评估