隧道工程在交通运营中有着至关重要的地位,准确高效的病害检测和交通安全监控技术,能够提高隧道工程的养护管理水平,并保证隧道交通安全稳定地运行。机器视觉技术在ITS（Intelligent Transport System,智能交通系统）中能充分保障交通安全、提升交通系统运行效率和管理水平,且由于其具有形象直观、精度高、数据易于保存等优点,被广泛应用于隧道等结构物的养护管理和无损检测中。但由于隧道工程的特殊性,该技术还存在诸如应用范围小、自动化程度低、能耗和造价高等诸多难题亟待解决,无法满足隧道快速检测的要求。而采用图像拼接（Image Mosaic）技术的全景视觉系统能够一次性地提供从给定视点所处环境的全部视觉信息,然后依靠这些视觉信息可对环境进行更加准确的分析、判断和决策,其技术优势十分明显。本文对巡检机器人在隧道中基于图像拼接的监测技术进行研究,以实现隧道工程中准确高效的裂缝、渗漏水病害检测和交通安全监控,并在实际环境中进行实验验证其可靠性。具体研究工作如下:（1）针对目前利用相机标定参数进行图像拼接的方法存在受场景限制大、标定过程复杂而耗时长的问题,提出了一种多场景下基于快速相机标定的柱面图像拼接方法。首先,利用棋盘格标定板特征提取精度高的特点,使其分别位于两两邻接图像的重叠视场中,对该图像序列依次进行棋格盘角点提取、精确化和匹配等预处理,以准确快速求解出待拼接图像间的配准参数;然后利用标定得到的配准参数快速拼接图像,通过柱面投影以保持图像的视觉一致性,并采用多频段融合以保留图像的细节信息;最后,将整个系统搭建在低功耗嵌入式平台,实现可在多场景下完成快速标定及基于标定参数的拼接过程。实验结果表明,该文方法在室内及隧道等场景下可准确快速完成相机标定,图像拼接过程耗时短,同时可保证较高的拼接精度和较好的成像效果,具有较强的鲁棒性。（2）现实的隧道环境比较复杂,由于光照条件差、环境干扰强易产生错误信号影响检测精度。因此,分别利用传统机器视觉和深度学习设计算法,以提高隧道裂缝、渗漏水检测和目标识别的精度,从而提升本研究监测系统的性能。针对裂缝检测提出了一种基于Canny的自适应阈值算法,该算法加强了图像降噪效果,采用自适应的梯度阈值方法进行非极大值抑制,并加入特征相关性规则判定,能够更充分提取裂缝特征,提高裂缝检测的准确性;针对渗漏水检测提出了一种多邻域动态分割算法,通过图像二维灰度直方图进行最大熵阈值计算方法分割出目标区域,并采用m-邻接法进行动态的区域连通,能够更充分地进行渗漏水的特征信息的统计;而对于目标识别任务,通过对传统的Tiny YOLOv3网络框架进行改进,并结合滑窗处理,在全景图像中利用改进的神经网路进行历遍检测,使得充分利用现有大量的单目视觉数据集,而不使用量少的全景图像数据集,以提高目标识别的精度。最后通过相关数据集分别验证以上算法的检测和识别的性能。（3）设计并搭建了全景图像拼接平台,通过搭载该平台的巡检机器人在隧道内特定轨道上进行巡检,对提出的方法在实际场景中进行实验测试和验证。基于嵌入式操作系统和ROS软件架构,对巡检机器人的图像拼接、目标检测及识别等任务进行了功能设计和开发,并通过完整的网络系统来进行信息和数据的传输,实现隧道工程中的裂缝、渗漏水和交通安全的自动化监测。并通过在不同的场景下进行实验测试,以验证设计的图像拼接及视觉监测方法可行性。