目前我国的隧道渗漏水常规检测主要依靠人工,但其具有检测效率低、主观性强、准确性不够高、人工成本高、环境恶劣等缺点,无法适应我国隧道工程建设的快速发展。本论文提出利用深度学习算法和常规的图像处理技术实现对隧道渗漏水的识别。首先,分析了点状、线状和大面积三种渗漏的成因及相应的处理措施,根据电缆隧道衬砌上渗水区与非渗水区的温度差异,利用红外热像仪捕获温度特征,并经过归一化处理将温度分布矩阵转换成数字图像;针对数据量少的特点,利用旋转、直方图均衡化、双边滤波等传统图像处理技术并结合当下热门的生成对抗网络技术来实现对数据的丰富。然后,从深度、宽度以及注意力三个层面对深度学习中几种典型的卷积神经网络结构进行了研究。深度方面主要研究了AlexNet5、VGG16和ResNet34三种网络结构;宽度方面主要研究了GoogLeNet21;注意力方面主要研究了Attention Module。结合实验设备条件,设计出AM-VGG16结构和AM-ResNet34结构的算法,并通过对比在测试集上的测试误差和在训练集上的训练损失,选择错误率为1.94%、损失值为0.06的AM-VGG16结构来进行渗漏水的特征识别。最后,通过对比受试者工作特性曲线(Receiver Operating Characteristic Curves,ROC Curves)和AUC值(Area under ROC Curves),选择循环次数为30、AUC值为0.932的模型参数进行测试。将该模型参数在4634张图片上进行测试,准确率达98.4%,平均推断时间为12ms。相对于人眼识别,这种识别检测方法极大地提高了识别准确率和识别效率。