隧道表观病害在一定程度上会威胁到隧道结构的安全性、稳定性,缩短公路隧道的运营年限,影响交通质量,因此,对其进行检测与维护已经成为了隧道运营中重要的一环。传统的病害检测方法由于检测流程复杂需要耗费大量的人力及时间成本,不仅太过依赖人的主观经验,而且数据难留存、难追溯,已经不能达到该领域对于快速、智能、准确检测的要求。基于此,本文提出隧道衬砌表观病害深度学习识别模型,对其进行研究和应用,以期实现病害识别的数字化、智能化。本文的工作内容以及得到的主要结论如下:（1）隧道衬砌病害的分类以及成因分析。将隧道衬砌病害大致划分为衬砌裂缝、衬砌渗水以及衬砌破损,后又从多角度对每一类进行了细化分类;分析知衬砌裂缝的形成主要归因于设计原因、施工原因、混凝土劣化、围岩的荷载作用以及衬砌部分结构形成的应力集中;衬砌渗水的形成主要归因于隧道处于含水地层、设计不精准、施工质量不达标、排水系统失效及防水材料老化破损;衬砌破损的形成主要归因于施工原因、衬砌半圆裂缝、衬砌强度的下降以及自然灾害。（2）病害数据集的构建。根据病害出现的概率及比重、病害造成的影响和危害、病害的图像特征确定研究对象为衬砌裂缝和衬砌渗水;然后使用隧道及路面智能快速检测车采集24条隧道的病害数据,经裁剪筛选后获得20834张数据样本;最后,构建了VOC格式的隧道病害数据集。（3）隧道病害单阶段目标检测算法的研究和实现。基于各算法的实现原理及优缺点,结合病害研究对象以及计算机条件确定采用SSD模型框架;随后构建实现了SSD-Inception V2和SSD-Mobilenet两种模型,结果表明SSD-Inception V2模型更适用于隧道病害的检测,其裂缝识别准确率可以达到99%,渗水识别准确率可以达到98%,总的m AP值达到了72%,检测速度较快,基本符合要求。（4）隧道病害两阶段目标检测算法的研究和实现。综合检测精度、病害特征以及计算条件等因素提出采用R-FCN模型作为此阶段的识别算法,之后以Faster R-CNN模型为对照,分析R-FCN模型的优劣势,结果表明,R-FCN模型的性能优于Faster R-CNN模型,裂缝识别的准确率为93.5%,渗水识别的准确率为83%,总的m AP值可达91%,达到了较高水平,但在检测速度方面略有欠缺。（5）智能识别模型在隧道中的应用研究。提出了针对具体隧道的检测方案,然后分别对小关山隧道和毛家村2号隧道进行检测。结果表明,在实际应用中,模型的各项指标相对测试集的结果均有一定程度的下降,但也可以满足一定的需求。SSD-Inception V2模型适用于隧道的快速诊断,R-FCN模型适用于隧道病害的后期处理,两种检测模型均有效节约了时间成本,提高了检测效率。