全断面硬岩隧道掘进机（Tunnel Boring Machine,TBM）破岩形成岩渣时,岩渣粒径过大或分布不均反映掘进状态存在异常,需要检查岩体状况、调整掘进参数。目前常用的有人工与自动化两种岩渣粒度等级监测方法,但人工法费时费力且易受人主观影响,而已有的自动化法存在准确率或检测速率较低、等级划分不够贴合实际等不足。针对以上问题,本文基于深度学习图像分类技术,结合TBM施工现场调研情况,研究并开发准确、高效的TBM岩渣等级识别系统,并进行实验验证。本文的主要研究工作与成果如下:（1）将不同地质条件下采集的岩渣图像样本裁剪掉多余背景,并采用限制对比度的直方图均衡化、细节滤波算法增强边缘特征,完成样本图像预处理。根据岩渣粒度等级与岩体状况、掘进参数的关系,划分岩渣粒度为四个等级,并以人工观察法对样本打标。为避免类间不均衡影响模型泛化性,通过扭曲、旋转的方式将每类样本扩增至相同数量,完成岩渣等级识别样本库的建立。（2）使用岩渣等级识别样本库训练解决过岩渣或相似识别问题的卷积神经网络,将测试准确率最高、泛化性最好的Alex Net作为基础网络。结合全局平均池化,改进网络分类层,降低参数数量,达到减轻过拟合影响的目的。通过多组模型训练的对比实验,调整超参数组合以优化模型性能,并验证了优化后模型在测试集上的准确性。（3）为实现准确、高效的岩渣等级识别,分析系统需求并进行硬件选型,完成系统方案设计。冻结优化后的模型并导入Tensor RT,通过纵向合并减少层数,生成推理引擎后部署至Jetson TX2中,实现模型推理加速。开发用于实现系统功能的岩渣等级识别软件,并在可传送岩渣的皮带机试验台上搭建系统以验证系统性能。本文研究结果表明,完成优化的岩渣等级识别模型在测试集达到了94.390%的准确率;对搭载该模型的系统进行的实验,验证了本文所研究与开发的TBM岩渣等级识别系统能够实现准确、高效的岩渣等级识别。