现有的管道破损探查主要是依赖人工,这种方法耗时且成本高昂。近年来,带有摄像头的管道检测机器人开始应用到地下排水管道检测中,并能够自动采集相关的视频信息。利用视频帧进行实例分割能够识别出管道内部破损区域,但无法判断破损的严重程度。因此,如何利用图像处理和深度学习技术分析管道机器人拍摄视频的深度信息并对破损进行定位和严重程度评估,具有重要的理论意义和应用价值。管道机器人采集的视频帧缺少深度信息,基于图卷积网络（Graph Convolutional Networks,GCN）和自监督学习的深度估计模型对二维视频帧的像素进行深度估计,确定每个像素在三维空间中的深度信息。GCN能够处理非欧几里得数据,利用节点之间的关系来表示场景的拓扑结构。管道内部图像纹理不规则区域多,且容易受到反光、遮挡等因素的影响,在编码/解码模型中采用卷积神经网络（Convolutional Neural Networks,CNN）进行编码,引入多尺度GCN进行解码,从低维特征映射深度信息,处理几何拓扑结构和节点特征,相比于采用单一的CNN网络能得到更加精确的深度拓扑图。自监督学习利用预测的深度和视频连续帧上对象位姿的相对变化的合成视图作为监督信号进行训练,解决了深度信息标签标注困难的问题。端到端的目标检测模型基于深度估计模型输出的深度值进行破损三维中心定位、三维边界框回归和分类,并使用动态关键点选择来过滤背景噪声,快速预测破损的边界框,并计算其范围来判断破损的严重程度。实验表明,基于图卷积网络和自监督学习方法重建的深度图可以减轻光度误差在自监督学习中的影响,产生更清晰的破损边界,深度预测精度达到89%。与Feat Depth和Mono Depth2相比,可训练的参数分别减少了40%和47%,深度误差分别降低13.9%和43.4%。对于破损严重程度评估,实验表明破损的平均误差不超过0.5米,与ROI-10D和Mono3D相比,塌陷/裂缝误差分别降低0.2264/0.0083和0.3224/0.2555（米）。对体积和边框施加权重后,严重程度判别准确率与未施加相比提升20.7%。