随着我国城市化建设的不断演进,事关老百姓日常生活方方面面的电力、燃气、给水、通信等地下管线愈发错综复杂。管线事故频发、故障定位效率低下等问题直接影响了城市基础设施服务的质量,管廊可谓是城市的地下“生命网”、“供给网”。巡检作为管廊运维的重要日常工作,是保证设备正常运行和生产安全的一项基础工作,担负着提前发现隐患、及时做出响应的重要职责。随着人工智能的发展,机器学习等技术给预测性巡检带来了新的机遇。图像识别技术、故障预测与健康管理技术、资源调度和路径规划技术等都是智慧管廊巡检系统的关键技术,对于提升巡检效率具有重要作用。本文主要研究的内容便是基于现有的智慧管廊云平台,通过应用故障预测与健康管理、路径规划等技术来优化巡检路径生成前的准备和分析工作。本文的主要工作内容如下:（1）设计和实现了基于梯度提升决策树（GBDT）和长短期记忆网络（LSTM）的设备剩余寿命预测（RUL）功能。鉴于GBDT对表格类型数据的优秀处理能力,本文利用GBDT的工程改进算法LightGBM作为预测剩余寿命问题的基础算法模型。由于智慧管廊设备数据是以时间维度进行收集的,而GBDT不具备捕获时序特征的能力,本文提出一种利用LSTM提取时序特征的增强GBDT方法,与支持向量回归机、梯度提升决策树算法相比,本文提出的方法有优势。（2）设计和实现了基于检点设备剩余寿命的路径规划算法。根据拟定的标准将预测出的剩余寿命值转换为检点设备级别,结合智慧管廊中实际的巡检问题建立数学模型和目标函数,通过对比选定通用性和鲁棒性较好的遗传算法作为基础实现算法。提出了一种改进的遗传算法,该方法综合使用基于贪心思想的种群初始化策略、最佳保留选择结合轮盘赌选择策略、混合对换和倒位变异的单向变异策略来提升算法效率。利用改进的遗传算法给出了一种基于检点设备剩余寿命的路径规划方法实现方案。仿真和实践结果证明基于检点设备剩余寿命的路径规划算法能够有效减少巡检工作量,实现预测性巡检。（3）根据智慧管廊云平台的实际业务要求,对智慧管廊智能巡检系统进行设计与实现,分析智能巡检系统需求并给出系统架构方案和技术方案,实现智能巡检系统剩余寿命预测模块和路径规划模块,并对智能巡检系统功能进行了测试和展示。智能巡检系统通过自动规划巡检路径等功能实现了无需人为手动描点的自动化巡检和有针对性的高效巡检。