近些年来,隧道建设迅猛发展,大量隧道投入运营。隧道在运营期受不良水文地质条件、恶劣气候与环境、长期连续负荷、过度使用和不及时维护影响,极易产生裂缝、渗漏和剥落等隧道衬砌病害。这些隧道衬砌病害降低了隧道结构强度,缩短了隧道使用寿命,严重威胁人民的生命财产安全,因此及时准确地评估运营期隧道健康状态具有重要意义。目前对于隧道健康状态的评估主要依赖人工目视巡检的方式,效率低,且极易产生错检,漏检,亟需开发自动的隧道病害识别方法,高效准确地识别隧道病害。基于卷积神经网络的计算机视觉检测技术能够克服人工巡检的缺点,高效准确地自动识别隧道病害,因此开展基于卷积神经网络的隧道病害自动识别研究,建立隧道表观病害智能识别成套方法具有重要工程意义与科研价值。本文以准确地自动识别隧道表观病害为主要目的,建立了一套隧道病害自动识别检测方法,该方法包括基于卷积神经网络的隧道病害分类识别方法,基于DCGAN的隧道病害数据增强算法和基于改进的U-net模型的隧道病害分割方法。主要的研究内容及成果如下:(1)针对传统隧道病害分类方法依靠手工设计的特征,普适性差,在复杂的隧道视觉场景下极易受到干扰,病害分类准确率低的问题,设计了基于卷积神经网络的隧道病害分类方法。与传统方法相比,该方法可学习隧道病害数据中表征能力和鲁棒性强的特征,提升隧道病害的分类准确率。实验中采用K-CV方法验证了基于卷积神经网络的隧道病害分类模型并未陷入过拟合,模型具有良好的性能表现。(2)针对隧道病害数据小样本以及类别不平衡的问题,本文分析了几种典型算法解决方案的适用性,建立了基于DCGAN的隧道病害数据增强方法。通过DCGAN学习裂缝和渗漏少数类型病害数据分布,利用DCGAN的生成器生成裂缝和渗漏数据,扩充并平衡隧道病害数据集。通过实验验证发现,该方法克服了小样本及类别不平衡的问题,显著提升了隧道病害识别模型的性能。(3)针对隧道病害分割模型空间输出精度不高,病害轮廓边界模糊的问题,改进了 U-net模型用于隧道病害分割,该模型将隧道病害的低层细节特征和高层语义特征融合起来,保留了病害细节信息。改进U-net模型中的SE-ResNet模块缓解梯度消失,加深网络深度,拟合扰动,重新校准特征,从而提升隧道病害分割模型识别精度,并通过实验验证了该方法的有效性。