水利枢纽基础设施中的水工隧洞混凝土衬砌常年受水流冲刷、内压、围岩变化和温度收缩等影响易导致衬砌开裂。因此,需要定期对水工隧洞表面进行缺陷检查、评估和维护,以确保水利枢纽基础设施健康运营。随着信息化、自动化的发展,对隧洞表面进行自动化、经济高效的缺陷检测成为了研究热点和重点。本课题着重研究基于卷积神经网络的水工隧洞表面缺陷自动检测问题。具体研究内容如下:首先,针对水工隧洞环境图像获取困难和质量低等问题,对图像进行预处理来优化数据集,以便提高后续缺陷检测准确性。通过使用数据增广和数据增强来增加图像数量和突出缺陷特征。同时引入基于深度残差网络来对图像进行去噪处理,提高图像的质量。其次,针对表面缺陷识别,本文提出了一种基于全卷积网络的水工隧洞图像缺陷识别网络。该网络通过采用卷积和反卷积层来预测像素类别,在卷积层中使用ReLU激活函数和批量规范化来降低梯度消失,增强特征传播,同时在最大池化层后加入Clique团块,加大低层特征与高层特征相互利用,提高细小缺陷检测精度;针对实际工程应用中图像数据集建立困难问题,本文提出了二阶段卷积神经网络,该网络主要是由分割网络和决策网络融合而成,适合于从少量样本中学习缺陷特征信息,能有效提高缺陷检测的实用性。然后,使用图像处理方法提取缺陷宽度信息,获取缺陷量化信息。最后,本文对提出的算法进行了实验验证。实验结果表明本文提出的方法能快速精准地检测缺陷,并能给出像素域缺陷量化信息,为水工隧洞表面缺陷后期风险评估和维护提供有力的数据支撑,具有实际的工程意义。