现代化在经济层面的表现是各行各业生产水平与质量的提高,科技得到合理的利用,智能化建设程度高以及工作生活朝着幸福的方向发展,然而目前工程技术人员在在建地铁隧道衬砌渗漏水检测采用人工巡检的方式较多,人工方式依赖主观性导致准确性不够高、效率低等缺点,不能满足发展的需要。我国工程建设数字化转型离不开设备智能化、普及化和以及学习设备的流程高效化、简易化,传统检测方式受环境影响极其不方便,需要改进。本文使用的检测算法基于深度学习理论,用于在建地铁衬砌渗漏水检测,结合生成对抗生产网络算法来提升效率,降低对设备和环境的依赖性。在实际工程应用的探索中,结合在建地铁隧道衬砌渗漏水的特征与危害,提出对应的安全质量评价模型建立思路以及风险控制措施,产生自己的理解分析。本文在算法中测试三种常用的深度学习算法网络结构在地铁衬砌隧道渗漏水检测中的性能。按照合理的步骤研究检测环境、检测设备、检测算法对在建地铁隧道衬砌渗漏水检测地影响,利用数学期望值排序选择合适的检测模型,进行在建地铁盾构隧道工程的移动式目标识别,即衬砌渗漏水的识别。最后,采用生成对抗网络优化在建地铁隧道内图像的质量,通过对比图像在优化前和优化后的测试结果,优化后效率高于传统检测方法,证明其适用于地铁在建隧道工程中对衬砌渗漏水检测。因此该方法满足智能化、高效检测的目标发展的要求。在研究过程中分析其检测环境、检测设备、检测算法的优化空间的。在建地铁隧道衬砌漏水检测的主要问题是如何方便、准确地实现漏水检测,并获得高质量的检测图像。基于改进的生成对抗网络算法,对隧道内简单移动检测设备采集的各种环境类型下的照片进行优化并用于检测。收集了某沿海地区在建地铁隧道工程的衬砌渗漏水的图像。构建了将环境约束下图像转化为合理的图像的框架。考虑到盾构隧道衬砌渗漏病害检测速度的要求,对检测衬砌渗漏水的深度学习算法进行优化。分别在数据库中建立不同算法获取的高质量图像样本,然后通过数据库标注的方法建立在建地铁衬砌隧道衬砌渗漏数据库,比较图像转换速度和检测识别精度。基于研究结果给出相应的工程安全措施建议。研究结果表明,改进后的算法能够满足检测效率的要求。生成对抗网络算法可以优化检测效率,进而满足实际工程的需要,给在建地铁隧道衬砌渗漏水检测带来一定的启示和思路。