城镇排水管道系统的主要作用在于收集和运输卫生废水和雨水。定期对排水管道进行检查对于识别管道缺陷的类型和位置以维持正常的城镇排水功能至关重要。管道闭路电视检测系统是目前世界各国最常用的排水管道检测技术。该系统的检查方法是首先拍摄含有地下排水管道内部信息的视频和图像,然后对采集到的影像资料进行人工处理。通过对视频和图像中的缺陷的类别、位置和形状进行分析,最终得到排水管道检测评估报告。然而这种方式是这是耗时的,劳动密集的和不准确的。应用图像处理的方式对排水管道图像进行处理是实现排水管道缺陷检测自动化的重要方式。然而传统的图像处理方法往往通用性差,而且需要大量的图像预处理和复杂特征提取器的设计步骤。随着深度学习在图像领域的发展,已经有部分研究将卷积神经网络应用到排水管道检测领域,且这些方法表现良好。然而,基于图像分类和目标检测神经网络的方法只能对排水管道缺陷进行分类和定位,不足以辅助工作人员进行排水缺陷报告的生成。基于深度学习的语义分割神经网络是获取图像中物体形状轮廓的有效手段。本文针对排水管道缺陷检测提出了一种新的图像语义分割网络模型Pipe UNet,应用于排水管道缺陷分割。由于管道缺陷检测领域的数据集稀缺,为了使网络模型能在这种情况下完成训练,本文采用了医学图像分割领域的U-Net神经网络作为Pipe UNet的骨干架构。为了提高网络模型对图像的特征提取能力,并解决高层特征与底层特征之间的语义差异,Pipe UNet在U-Net原有的跳跃连接之间增加了特征重用和注意机制模块。并采用焦点损失函数解决了类别不平衡问题。为了评估网络性能,本文采用含有破裂、渗漏、错口和支管暗接这四种缺陷的排水管道图像对网络进行了训练。实验结果表明,该方法具有较高的MIo U值,最终结果达到76.37%,证明了该方法在排水管道缺陷分割方面的杰出性能。同时该网络能以每秒32幅图像的速度处理闭路电视图像,可证明它的实时性。