近年来,随着国家经济技术的快速发展、共建“一带一路”政策的推进以及川藏铁路重大项目的开展,我国隧道建设进入高速发展阶段。由于地质条件的复杂性,隧道施工过程中各种地质灾害频发,包括围岩坍塌、地面沉陷和突涌水等,极易造成巨大的经济损失和重大人员伤亡,严重影响隧道施工进度。因此,在隧道施工过程中开展超前地质预报工作,探明隧道掌子面前方围岩不良地质体的类型、位置和规模等,对隧道施工安全具有重要理论意义和工程实用价值。探地雷达具有探测速度快、分辨率高以及无损等优越性,在隧道超前地质预报中广泛应用。探地雷达数据属于海量数据,对不良地质体的识别至今仍然以人工解译为主,存在误差大、工作量大和效率低等问题,目前针对探地雷达图像识别算法的研究主要集中在人工设计特征、支持向量机及浅层神经网络等传统机器学习方法,存在主观性强,复杂目标体识别难度大和无法提取到不良地质体本质特征等问题,较难取得理想的识别效果。且由于地下介质结构复杂、物性参数迥异和系统、环境等噪声干扰的存在,导致电磁波在地层中传播时变得十分复杂,得到的雷达信号中包含各种杂波和噪声,降低了雷达信号的质量,不利于反映真实地下地质情况。针对上述问题,本文采用综合优化的Faster R-CNN目标检测方法,开展隧道主要不良地质体探地雷达图像智能识别的研究。本论文主要成果如下:（1）基于理论分析的隧道主要不良地质体探地雷达成像特征研究。以时域有限差分法为基础,建立溶洞、破碎岩体和富水带三种典型的不良地质体仿真模型,从电磁波运动轨迹及反射特征等运动学特征角度和振幅、频率及相位等动力学特征角度对其雷达图像特征进行理论分析,总结成像特征和分布规律,为后续的智能识别工作提供理论基础。（2）探地雷达高信噪比成像方法研究。本文提出一种基于经验模态分解和排列熵的阈值降噪方法,解决了传统经验模态分解方法在有效信号保留和噪声信号剔除之间的矛盾,能够在一定程度上自适应去除噪音。通过该方法对雷达数据进行响应特征提取,突出有用信息,去除噪声和杂波,获得高信噪比探地雷达图像;通过建立多组仿真模型,阐明该方法的实现过程,验证该方法的可行性和优势,为后续进行智能识别奠定良好的基础。（3）将Faster R-CNN引入隧道超前地质预报领域,通过运用数据增强、迁移学习和更深层的残差网络ResNet等策略综合优化Faster R-CNN,以此提高不良地质体的识别精度。通过与其它目标检测模型的对比实验,利用精确率、召回率、平均精确率和平均精确率均值等评价指标,验证所述模型的检测性能;最后,以实际工程的探地雷达实测数据为样本并进行识别,验证本文综合优化Faster R-CNN模型应用于隧道工程中的可用性。结果表明本文提出的方法在隧道超前地质预报不良地质体探地雷达图像的识别上取得了良好的效果。