본 연구에서는 CNN 기반 구조물 손상 분류 성능에 영향을 미치는 하이퍼파라미터 설정, 데이터 수, 손상 유형별 성능 특성 및 계산효율을 종합적으로 분석하였다. GoogLeNet, ResNet-50, EfficientNet-B0, MobileNetV2 등 네 가지 모델을 대상으로 실험을 수행하였으며, 시험 세트의 정확도와 Macro F1-score를 통해 분류 성능을 정량적으로 비교하였다. 분석 결과, 동일한 모델 내에서도 하이퍼파라미터 설정에 따라 분류 성능과 성능 변동성에 뚜렷한 차이가 나타남을 확인하였다. 학습 데이터 수의 증가는 전반적인 성능 향상과 함께 하이퍼파라미터 변화에 따른 민감도를 완화하는 경향을 보였으나, 일정 규모 이상에서는 모델 구조에 따라 성능 향상이 포화되는 양상이 상이하게 나타났다. 또한클래스 간 데이터 균형이 확보된 조건에서는 손상 유형에 따른 성능 편차가 최소화되었으며, 분류 성능과 계산 효율 간에는 명확한 상충 관계가존재함을 확인하였다. 본 연구는 단일 최적 성능 비교를 넘어 하이퍼파라미터 민감도, 데이터 효율성 및 계산 비용을 통합적으로 분석함으로써관련 연구 분야에 기초 자료를 제공한다.