管涌是一种堤坝最常见且危险性最高、破坏性最强的渐进式渗漏隐患危害,发生前难以被肉眼察觉,发生时危险高,破坏性强。广东省的小型水库、堤防数量众多,以土石坝占绝大多数,运行年限均超过50年。这些水库堤防由于建设管理技术落后等原因而自身存在着结构性内因问题,虽然绝大部分已被除险加固,但这些堤坝内部隐患仍无法得到有效解决,依然是管涌渗漏灾害孕育之地,而隐患排查是防治管涌问题的关键。地质雷达探测是一项备受推广的物探技术,其具有便捷、价低、高效、精准、无损及可视等众多突出优点而被广泛应用于隐患探测中,近年来逐渐被推广到水利领域。但地质雷达成果解译对工作人员经验具有依赖性,解译结果因人而异,容易出现解译偏差。因此,如何快速高效解译管涌数据是本文立题的出发点。本文旨在建立针对管涌渗漏的改进BP网络智能识别机制,利用计算机建立的数理规律解译数据,实现地质雷达管涌数据的智能识别解读,避免了人的经验性干扰,提高解译效率和精度。论文尝试将神经网络引入地质雷达图像解译之中,创新性地采用了“虚拟代替现实”的神经网络训练方式,利用时域差分有限法进行管涌的正演,建立管涌的正演模型作为神经网络的训练样本,可有效解决取样难的问题,尤其适用于取样、建样困难的模型。该方法思路能扩展到其他物探行业中,具有很高的实用价值和指导意义。建立完善、高效、实用的神经网络识别机制需要大量优质的训练样本,而对于管涌这类取样困难的样本,保量又保质几乎是一件不可能的事。为此,需要一种可替代性强、取样简单的数据样本代替管涌样本,而时域有限差分法正演建模取样是获得这类数据样本的绝佳方式。时域有限差分法是目前世界上最主流且使用最多的方法,该法算法简单且精度高,是研究电磁波最有效的方法。同时,本文采用了改进的BP网络,即自适应性学习速率的BP网络算法进行建模,克服了标准bp网络收敛慢和对初始值敏感的缺点。论文利用时域差分有限法建立神经网络训练和测试的样本库,包括单道波形数据样本库和断面波形数据样本库,这些样本根据管涌的数量和介质背景层数进行分类,且每个样本中管涌位置均不同,保证了样本的质量,提高网络训练能力;并利用了改进的BP神经网络对两类样本库进行建模训练,获得分别不同样本训练类型的网络模型。通过对两种网络模型的分析、比较和总结,得出了两种不同训练类型的网络特点。实验展示了基于时域有限差分法建模与神经网络训练相结合的技术思路,具有很高的应用价值和指导意义。