随着我国交通运输的快速发展,隧道的建设也是最重要的部分之一,而对于隧道的保养十分重要。隧道衬砌裂缝的检测关系到交通运输的安全,我国目前检测隧道衬砌裂缝采用的是人工巡检的办法,其工作量大,并且无法满足快速有效的要求。随着人工智能机器视觉的发展,将神经网络和深度学习结合,在图像识别领域得到了广泛的应用。本文深入研究了深度学习的相关理论和目前流行的目标检测算法,在卷积神经网络的RCNN(Region-CNN)、Fast R-CNN和Faster R-CNN框架基础上不断改进,使得隧道衬砌裂缝的识别速度和识别精度都有较大的提高。本文基于经典的Faster R-CNN框架算法,研究对隧道衬砌图像中裂缝的检测和识别。隧道衬砌裂缝检测系统根据裂缝的局部和全局特征相似的特点,提出裂缝识别的方法,有效的提升了识别大尺度图像中微小裂缝的准确率和漏检率。利用残差网络能减少了网络训练参数的优点,并且针对正负样本的不平衡、样本难易区分程度和对样本特征的区分度的特征,提出焦点损失函数和中心损失函数联合训练。经过实验结果分析,本文提出改进的Faster R-CNN算法在检测衬砌裂缝系统中的漏检率和错检率等方面都优于原始的隧道衬砌裂缝检测系统,实现了到端对端的有效训练。