城市地下排水管道遍布广、种类多、病害类型复杂、评判标准不一,后续病害判定和检修困难。内窥图像管道检测方式的安全性和普适性已有了较大提升,且数字图像处理技术成功地将几种管道病害的自动识别与监测变为现实。但管道内窥图像处理方法普遍存在应用范围小,识别准确率低,工作量大等问题,因此迫切需要开发一种新的自动识别方法。本文根据现代城市地下排水管道中出现的各类病害类型及其检测标准,采取相应的预处理方法提高图形质量,提出了基于两种深度卷积网络模型的管道内窥图像检测方法。该方法将问题分成两部分:(1).管道内窥图像分类;(2).病害部位图像检测。对于图像分类,根据真实检测视频将内窥图像分成了包括无关图像、常规图像、各类病害图像在内的总计18个类别,在此基础上考虑到混合图像的处理方法,将Inception-ResNet-v2改造成能够实现多标签分类的卷积神经网络MLL-Inception-ResNet-v2,实现了管道内窥图像的完全分类;对于病害检测,考虑到不仅要识别出病害的大体位置,还要准确分割病害区域,本文借鉴Mask RCNN模型,融合YOLO-v3网络在目标检测问题上的良好性能,提出了面向不同病害类型的Mask-YOLO-v3模型;这些模型不负责分类,仅在已经分类好的图片中进行目标检测,提供病害区域最小外接矩形框的同时又检测出病害区域掩膜,使得检测结果更加直观明了。在图像分类实验中,对比MLL-Inception-ResNet-v2与ResNeXt-101和SENet-101的分类性能,结果显示本文模型类间平均分类准确达到70.1%,相对比对照模型分别提高0.9%和0.4%;在病害检测实验中,对比Mask-YOLO-v3与Mask-RCNN的检测性能,结果前者类间均值平均检测精确率达到81.4%,相比对照模型提高0.4%;综合上述的研究结果实现综合检测平台,依照现有标准检测17种常见管道分级病害,结果表明本平台相对于人工观测方式能以线性工作时间达到97%以上的检测正确率,较以往方法拓宽了应用范围,大大提高了检测效率。