随着城市化进程不断加快,我国城市地下排水管道规模随之迅速扩增,与之相配套的排水管道维护管理水平却较为滞后,可能会产生很多安全隐患。使用高效的管道检测方法是提升排水管道维护管理能力的基础和前提,但目前排水管道检测中应用最广的闭路电视检测（Closed Circuit Television Inspection,CCTV）会受到检测人员主观因素的影响,智能化程度有待提升。结合卷积神经网络深度学习算法对CCTV法进行优化,对提高排水管道维护管理水平意义重大。本文结合管理学思想,将CCTV排水管道缺陷检测工作分解为CCTV排水管道图像缺陷识别和缺陷分类两个任务,并进行了以下的工作:首先,收集了319个城镇雨污水排水管道CCTV普查工程的检测报告,整理报告中的排水管道图片,建立了实验数据集,包含了11种缺陷管道图像和正常管道图像,共7152张图像样本,并对图像样本进行了去黑边、尺寸调整、图像降噪、亮度平衡的预处理。接着,针对CCTV排水管道缺陷识别任务,考虑到排水管道图像特征从大范围到小范围,分布多样,对Shuffle Net进行结构性改进,通过增加一条卷积计算分支,扩展网络宽度,设计了Shuffle Net B网络模型。使用Shuffle Net B网络进行CCTV排水管道图像缺陷识别实验,通过实验验证Shuffle Net B网络的分类性能,实验结果表明,改进后的Shuffle Net B模型有着更好的分类性能,分类准确率达到98.2%,较Shuffle Net提高了2.1%。最后,针对CCTV排水管道缺陷分类任务,考虑到样本数量有限而且类别分布不平衡的问题,在Shuffle Net B网络模型的基础上进行了三点针对性优化:提出了一种将Shuffle Net B排水管道缺陷识别任务中部分图像特征信息迁移到Shuffle Net B管道缺陷分类任务的迁移学习方法;使用保证样本质量的图像扩增方法;使用基于权重调节的交叉熵损失函数,根据各缺陷类别样本数量的不同,调整损失计算偏重。实验表明,多分类针对性优化后的Shuffle Net B网络模型在管道缺陷类别分类实验中分类性能更好,能够很好的捕捉管道缺陷特征,对11类排水管道缺陷的分类准确率达到了88%,单类别召回率最高达到93.3%。