一直以来,人工巡检维护是保证地下隧道安全的主要方式。随着地铁隧道井喷式的发展建设,该方式已经无法适应当前地铁行业智慧运维的发展趋势。近年来,由于卷积神经网络的兴起,基于深度学习的方法获得了越来越多计算机视觉领域研究人员的青睐。本文基于深度学习对隧道场景下的病害检测算法进行研究。近几年来,如何提高隧道场景下病害检测算法的检测精度和效率,是工业界最为关注的问题。由于检测算法需要同时应对分类和定位两种需求的挑战,其分类分支的识别性能仍然无法应对细粒度的分类任务。在处理裂缝等病害时,形态较为相似的划痕通常会造成大量的虚警,严重降低了裂缝的检测精度。基于这些问题,本文的主要研究内容及创新点如下:（1）提出了一种基于多级级联的改进RepPoints网络结构。目前,常规的隧道病害检测模型多采用基于锚框（anchor）的检测算法,为检测精度的提升带来了一些设计上的壁垒。本章首先通过研究对比基于anchor的检测算法与基于点集表示目标的RepPoints算法在隧道病害数据集上的检测性能,验证了矩形框的表示方式对某些病害检测造成的不利影响以及RepPoints检测算法的一些优势。其次,针对RepPoints网络进行病害检测时存在多个预测框检测同一目标的问题,设计了基于多级级联的改进RepPoints网络结构,有效提升了靠近病害中心点样本位置的目标定位效果。最后在改进RepPoints的基础上,通过采用可变形卷积（Deformable Convolutional Networks v2,DCNv2）、GIOU Loss（Generalized Intersection over Union Loss）的方法进一步提高了病害检测算法的性能。（2）提出 了新的 BET-ResNet（Bottom Enhance Top Residual Network）网络结构用于对检测出的裂缝样本进行进一步的筛选,以弥补检测网络对裂缝类目标的检测精度不足。针对传统分类网络难以获取裂缝与划痕之间具有较好判别性的细粒度分类特征的问题,BET-ResNet采用底层特征逐级融合的方式为顶层特征增加细节信息,同时为了解决随着网络层数变深感受野增大带来的背景干扰问题,在融合之前为每个分层的图像特征引入通道注意力机制,引导网络关注有价值的特征信息。改进后BET-ResNet网络结构的识别性能提升明显。