混凝土已成为我国应用场景最广和使用量最多的工程材料,其服役状况直接决定了整个工程的安全状况。但由于大型工程地质环境极其复杂,且使用过程中的不及时养护和自然腐蚀等因素,导致出现脱空、空洞、裂缝、含水渗漏带等问题。这些问题为重大基础设施的安全运营带来极大隐患,严重威胁着人民的生命财产安全与社会的可持续健康发展。针对上述问题,使用探地雷达对混凝土中的病害进行及时有效的检测具有重要的意义。但是,由于混凝土中浅层钢筋网络对探地雷达信号的强屏蔽作用,导致钢筋网下的病害极难识别,为有效探测钢筋下病害带来巨大挑战。本文旨在研究解决这一关键难题,为大型基础设施的安全运营提供可靠的保障。本文的主要研究成果概括如下:1.首先,针对探地雷达强直达波干扰难以去除的问题,本文对无监督机器学习算法K-Means进行了改进,达到了快速自动滤除B-scan图像强直达波的目的;然后,利用深层卷积生成网络对噪声的高阻抗性和其结构本身对于图像信息的捕获能力,搭建了卷积神经网络,实现了对B-scan图像的噪声进行无监督自动抑制,取得了理想的去噪效果。2.针对去除探地雷达B-scan图像中钢筋信号的问题,本文通过系统分析浅层钢筋信号对深层病害信号的不利影响,提出利用深度学习算法对于含钢筋干扰信号的B-scan图像进行图像转化,进而达到滤除钢筋信号修复病害信号地目的。具体而言,首先,设计了适用于强干扰探地雷达图像的Re2-AttUNet网络,并通过选择网络的时间步长和损失函数进一步优化了网络的特征提取能力和学习能力;然后,过对比实验验证了本文新网络结构上的有效性,最终实现了钢筋信号完全遮挡的病害信号的复原,以及钢筋信号的有效滤除。3.针对混凝土中病害智能分类问题,本文通过分析比较经典CNN在对混凝土中钢筋下四种病害的分类任务中的准确率,利用遮盖特征图中显著特征的方法对ResNet进行改进,使其具有更好的特征提取能力。同时,结合Re2-AttUNet对钢筋信号滤除的工作,使用两步训练法,最终使得经过Re2-AttUNet网络滤除钢筋信号后的探地雷达正演数据病害分类准确率高达到99.093%。