裂缝的存在会影响隧道的稳定性,及时对隧道裂缝进行有效识别与处理对保障铁路的安全运行至关重要。由于采集的隧道图像量非常大,近年来人工方法已不能满足实际需要,而传统的图像处理方法也很难达到令人满意的速度和精度。课题围绕人工智能中的计算机视觉技术,研究基于深度学习方法的图像分类算法与语义分割算法,并将其应用到铁路隧道图像分析领域。本文采用深度卷积神经网络设计了隧道图像裂缝分类模型与分割模型,实现了隧道裂缝的识别与分析,并搭建了隧道裂缝分析系统,能够显著提高隧道裂缝检测的工作效率。本文首先建立了符合深度学习业界标准的隧道图像分析数据集,共73020张图像,满足了深度学习方法的研究需求。其次,设计并实现了隧道裂缝分类算法,基于pytorch框架搭建了裂缝图像分类模型,完成了模型的训练与测试,在裂缝数据集上进行评估,分类精度达到了98%,准确率达到了87%,召回率达到了81%。然后,设计并实现了隧道裂缝分割算法,提出了SPPNet分割网络结构以提高裂缝的特征提取与融合效果,并采用权重损失函数进一步提高裂缝分割精度,在裂缝数据集上进行评估,裂缝分割IoU达到了42.16%,Mean IoU达到了41.48%,平均Pixel Accuracy达到了 98.05%。最后,提出了分类算法与分割算法级联的策略,设计并实现了裂缝分析系统软件。