我国目前盾构隧道渗漏水主要采用人工巡检以及基于数字图像处理技术等方法,但这些方法在数据采集效率、现场采集环境要求、检测自动化程度方面均存在一定的劣势。针对上述问题,本文结合深度学习,提出了基于盾构隧道强度图像来实现对盾构隧道渗漏水的检测方法,通过对现有深度学习网络进行改进,致力于研究出高效、精确的盾构隧道渗漏水检测方法。论文的主要研究内容包括以下几个方面:（1）对于目前盾构隧道渗漏水的检测所使用的都是光学图像,而光学图像的质量受光照影响比较大,光照条件的强弱和不均匀都会对渗漏水的检测产生直接影响的问题。论文采用Li DAR的强度数据作为本文渗漏水检测的数据来源,并对强度数据进行改正,将改正后的强度数据映射至二维空间生成强度图像,使得盾构隧道渗漏水更加直观。在此基础上建立了用于渗漏水检测的盾构隧道强度数据集。（2）通过对现有深度学习网络进行分析,提出了一种基于改进深度残差Unet（Res Unet）的盾构隧道Li DAR强度图像渗漏水监督语义分割网络模型,实现盾构隧道强度图像渗漏水的自动检测。针对Res Unet中运用残差块会限制网络的表达能力,影响分割的精确度以及准确性,为了在相同的计算条件下能够获取更大的感受野,在特征大小相同时能够获取更为密集的数据,使得模型达到更高的分割精确度以及准确性。在原有的Res Unet模型中,首先用卷积与空洞卷积并行结构替换原有的残差块（Resblock）,提高信息传递能力;然后在密集块之间加入转置层和空间通道压缩与激活（sc SE）模块,对空间和通道进行重新校准,强调重要特征抑制无用特征;最后利用空洞空间卷积池化金字塔（ASPP）模块连接编码器与解码器,提取多尺度特征。在建立的强度图像数据集进行试验,实现了盾构隧道渗水区域的精确语义分割,且分割结果不受隧道附属物（螺栓孔、电缆线等）的影响。实验表明,该方法在评价指标精确度Precision、召回率Recall、F1-score以及Dice系数上分别达到96.42%,91.54%,86.81%,89.33%以及86.04%,与Res Unet、Seg Net、Unet结构相比较都有不同程度的提升。表明了改进Res Unet网络具有良好的性能。（3）针对盾构隧道环境复杂,采集数据困难,建立盾构隧道渗漏水强度图像像素级标注样本数据集存在耗时、成本过高等缺点。为了在标记少量样本的情况下,实现盾构隧道渗漏水的检测,论文提出了一种基于改进V-GAN的生成对抗网络的盾构隧道Li DAR强度图像渗漏水半监督语义分割网络模型,实现盾构隧道强度图像渗漏水的自动检测。在原有网络模型的基础上,在生成器网络中,首先建立了一种由密集块（Dense）作为编码器,残差块作为解码器的Unet模型,并且在Dense块之间加了转置层与空间通道压缩与激活模块,强调重要特征抑制无意义特征;最后运用空洞空间卷积池化金字塔模块作为编码器与解码器之间的桥接,扩大感知范围。在判别器网络中,采用全卷积网络和基于改进Res Unet的网络模型作为生成对抗网络的判别器。在建立的强度图像数据集进行试验,分别将标记样本设置为500张、200张、100张进行训练,并进行测试。实验表明,样本数量为200张时,隧道渗水检测的效果最优,原网络V-GAN在精度评价指标受试者操作特征曲线下面积、精度和召回曲线下面积分别达到了89.59%与73.14%,以本章所提出的网络模型作为生成器网络,FCN作为判别器网络的DRUnet-FCN-GAN在精度评价指标受试者操作特征曲线下面积、精度和召回曲线下面积分别达到了91.72%和74.31%,与原实验相比提高了2.13%和1.17%。以本章所提出的网络模型作为生成器网络,基于改进Res Unet的网络作为判别器网络的DRUnet-IRUnet-GAN在精度评价指标受试者操作特征曲线下面积、精度和召回曲线下面积分别达到了91.72%和74.87%,与原实验相比提高了2.13%和1.73%,表明了所改进网络的良好性能。