随着地铁运营里程的快速增长,如何保障隧道基础设施的安全运行显得尤为重要。隧道衬砌是隧道基础设施的重要组成部分,长期的使用导致其表面出现大量裂缝,渗漏水等病害,这些病害严重威胁着地铁的运营安全。为了能够高效,准确的检测隧道表面病害,设计了一种基于线阵相机的隧道表面图像采集系统。之后在此基础上,根据采集图像中病害的特征,进一步研究了针对隧道病害的自动检测算法。隧道表面图像采集系统主要由图像采集装置,同步控制装置,工控机和供电与配线系统四部分组成。在图像采集装置中将线阵相机和激光光源进行了集成,减少了调试的繁琐流程以满足地铁隧道巡检的任务需求。采集的隧道表面图像存储在工控机中并进行隧道病害的自动检测。针对隧道病害检测算法,从深度学习算法和数字图像处理算法两方面展开了研究。在深度学习算法中,首先构建了含有9661张图像的多种隧道目标检测数据集。然后使用改进的Cascade R-CNN目标检测算法检测隧道目标。该算法增强了对于小目标的检测能力,能够更加准确的检测出隧道中的多种病害。由于使用目标检测算法只能将目标框选出来,所以接着使用数字图像处理算法,将裂缝病害以像素级精度分割。在数字图像处理算法中,首先设计了裂缝增强算法,使裂缝特征更加清晰。然后使用多级融合滤波算法,将图像的像素信息和梯度信息进行融合,逐步去除散点噪声,大面积块状噪声和与裂缝极为相似的条状噪声。最后使用种子连通算法提取出完整的裂缝区域。至此,完成了对于两种算法的融合,实现了检测多种隧道目标,并以像素级精度将裂缝病害完整分割。在实验室和南方某地铁进行多次图像采集实验,该套装置可以20km/h的速度采集到0.2mm/pix精度的隧道表面图像,图像采集系统运行安全稳定。所设计的隧道病害检测算法对于裂缝病害和渗漏水病害的检测召回率可达96%和98%,并且可以将裂缝以像素级精度从图像中分割出来。可以看出,该套图像采集系统和隧道病害检测算法具有一定的实际工程应用价值。