由于公路以及铁路里程的不断增加,道路势必要往远离城市的高山水岭等广袤的自然环境中延伸而去。改革开放以来我国隧道数量以及规模正持续性增加,但运营期内的各种病害问题也随之而来,而且已成为当前隧道所面临的重要问题之一。世界各国在隧道检测领域提出了许多检测方法,如传统的人工检测方法,现代的回弹法、激光扫描法以及新兴的基于图像处理技术的检查方法等。但是由于设备成本较高、检测内容单一、检测环境要求严格等多方面原因,目前大部分隧道日常检查仍然采用人工巡检的方式。为了解决目前隧道检测存在的问题,同时改变以往日常检测中只检测不分析的现状,本文提出了一种基于深度学习的隧道衬砌损伤快速检测与处治分析方法,主要进行的应用性研究成果如下:(1)通过查阅文献及现场调研,本文选取衬砌裂缝、渗漏水、剥落三大类损伤,并将其按表现形式划分为七种。然后对这些病害进行详细的分析,分析包括病害的常见位置、产生原因、评价标准和处理措施。(2)基于深度学习方法,采用AlexNet卷积神经网络,对17450张病害图片进行训练、验证和测试。测试结果证明该卷积神经网络可实现衬砌病害快速、准确的识别。(3)基于MATLAB GUI设计了隧道衬砌损伤检测程序,采用人机交互的方式提取裂缝长度、宽度,渗漏水面积等病害信息。将卷积神经网络和病害分析的研究成果与该程序进行结合,最终设计出了一种隧道衬砌检测识别-损伤提取-病害分析-处治建议的全过程一站式解决方法。经过工程试验验证,本文所提出的检测方法及检测程序表现良好,经过多次调试和优化后将会对隧道检测提供更好的帮助。