随着我国高速公路建设的加快,施工中隧道地质超前预报是施工安全保障的重要手段之一,其中探地雷达(Ground Penetrating Radar,GPR)图像的判读是隧道地质超前预报中的关键步骤,如何提高探地雷达图像判读准确率一直是该领域的研究热点。本文结合卷积神经网络在图像识别中的优势,研究并实现高效的隧道GPR图像分类模型,并对卷积神经网络模型压缩做了相关研究。在实际工程中,隧道GPR图像存在复杂多变,难以识别等问题,所以传统的机器学习方法很难有效提高对GPR图像的识别准确率。因此,本文采用迁移学习和数据扩增的技术改进了典型VGG-16(Visual Geometry Group-16)网络模型,旨在使用较少的标记样本充分训练卷积神经网络,以有效提高模型对隧道GPR图像的识别准确率。并在此基础上进一步研究发现,基于迁移学习改进的VGG-16网络模型存在模型体积庞大、预测时间久等问题,不利于将该网络模型部署在嵌入式设备中。因此,本文在研究相关模型压缩技术后,采用通道剪枝和权值量化的方式对改进的VGG-16网络模型进行优化。首先,迁移学习阶段使用VisTex纹理数据库作为源域数据,在Caffe平台、GPU加速计算下对VGG-16网络模型进行预训练,接着再使用6000多幅实测隧道GPR图像对网络模型进行微调。然后,模型优化阶段使用基于泰勒展开的通道剪枝和权均值得三值量化方法对改进的VGG-16网络模型进行优化。实验结果表明:基于迁移学习改进的VGG-16网络模型识别准率高达97.54%,经过优化后VGG-16网络模型体积压缩近77.35%,预测时间缩短3.6倍,而识别准确率仅下降1.73%,并且优化后网络模型可以获得较好的鲁棒性。