构造裂隙广泛存在于水电工程基岩岩体中,是劣化岩石力学性能的关键因素。地质钻探技术是获取地下地质资料的有效手段,但岩体裂隙细小而密集,传统的人工地质数据解析方法需要消耗大量人力从钻孔取芯物探成果中手动解析裂隙参数;同时,人工解析方法提取出的裂隙平均开度难以反映裂隙中心线上各点处详细的开度信息。计算机视觉方法能够自动提取出裂隙的参数,高效而准确地完成地质数据解析任务。基于计算机视觉的钻孔图像裂隙参数解析存在如下两个难点:其一为如何通过计算机视觉技术实现图像中裂隙与背景的分离;其二为如何通过计算机视觉技术提取裂隙的参数。本文结合地质钻孔图像数据开展研究,主要研究成果如下:（1）提出基于分块图像的弱监督学习裂隙识别计算机视觉方法,以实现图像中裂隙与背景的分离。其中,弱监督学习技术能够显著降低标注工作量;图像分块技术充分考虑了图像中裂隙拓扑结构的局部相似性,能够在不损失裂隙图像空间形状信息的同时降低图像的复杂度。该方法能够取得与全监督方法相近的性能（全监督方法的均交并比（MIo U）是0.821,该方法的均交并比（MIo U）为0.782;全监督方法的F-分数为0.8,该方法的F-分数为0.741）,同时降低约80%的标注工作量。（2）提出基于各向异性高斯核的地质钻孔图像裂隙参数提取方法,以实现裂隙长度、开度、粗糙度等参数的自动提取。各向异性高斯滤波方法具有很强的抗噪能力,分析结果表明,该方法的重建精度为96.3%,能够从光照条件有限、背景纹理多变、拓扑结构复杂的裂隙图像中,较为准确地提取出裂隙的参数信息。（3）以某水电工程为例,将上述方法运用于地质钻孔图像数据中裂隙长度、开度、粗糙度等参数的自动化解析。相比于传统的基于专家经验的水电工程地质钻孔资料解析方法,本研究提出的基于计算机视觉的水电工程地质钻孔图像裂隙数据解析方法能够节省约70%的时间,在提取信息量上具有优越性,在提取结果上具有一致性;相比于传统计算机视觉方法,本研究提出的方法在提取精度上具有优越性。本研究为地质钻孔裂隙参数提取提供了新的手段,提升了水电工程地质数据统计分析的自动化水平。