近年来,我国城市轨道交通高速发展,其中隧道总里程位于世界第一。由于施工、温度、载荷等各种因素的影响,地铁隧道表面会有病害发生,其中,隧道表面裂缝是最常见的病害之一,给地铁的安全运营带来威胁,因此,裂缝检测是地铁周期性巡检的重要任务。目前,针对地铁隧道衬砌裂缝的检测仍然以人工巡检为主,本文设计了一种基于多目相机的隧道衬砌图像同步采集系统,可以在天窗时间内快速采集高质量的隧道衬砌图像,同时提出了一套基于深度学习和传统图像处理的裂缝智能识别方法,实现了裂缝病害的智能检测与危险程度评价。本论文针对盾构隧道所设计的隧道衬砌图像采集系统,包括面阵相机及光源一体化模块、相机支架、大容量工控机和供电系统,并进行了以下改进:首先,设计12组相机模块,以实现全断面采集;其次,采用串口通信的方法实现所有相机模块的同步采集功能;最后,完成图像像素尺寸和物理尺寸之间的相互转换,计算了系统最高运行速度和相机采集帧率。整体隧道图像多目视觉采集系统,可灵活安装于轨道移动巡检平台上,实现隧道裂缝图像的自动采集。裂缝智能识别方法主要包括:基于边缘检测网络和图像后处理的裂缝识别算法和裂缝危险程度评价方法。本文构建了地铁隧道裂缝图像样本库,制作像素级的裂缝边缘检测数据集。基于经典边缘检测模型Holistically-Nested Edge Detection（HED）和双向级联的边缘检测模型Bi-Directional Cascade Network（BDCN）对裂缝边缘检测网络进行了优化和改进,以HED的网络结构为基础,引入特征金字塔和空洞卷积,实现了裂缝图像自动识别。设计基于数字图像处理的后处理算法进一步提取裂缝,使用自适应阈值分割算法获得裂缝二值图像,然后使用连通域滤波剔除斑点噪声,最后使用形态学闭运算填补裂缝内部空洞,平滑裂缝边缘。同时,基于裂缝骨架提取模型,实现了线性裂缝（纵向裂缝、斜向裂缝、环向裂缝）和复杂裂缝的智能分类识别。针对不同的裂缝特征,设计了典型参数测量算法,并提出了一种裂缝危险程度评价方法。本论文研发的多目视觉图像采集系统,在地铁隧道模拟隧道和实际地铁隧道正线区间,进行了同步采集与算法验证实验。结果表明:本系统可以采集到精度为0.2mm的裂缝图像,且整个系统运行稳定。设计的裂缝检测算法可以实现像素级的检测,Io U可达0.3912,准确率为83.79%,召回率为78.77%。可以看出,图像采集系统和裂缝检测算法,可以为实际隧道裂缝检测,提供较好的技术支持。