随着国民经济的迅速发展,城市道路交通规模不断扩大,在路基类型及运行状态等多种因素作用下,使得路面塌陷时有发生,对人民的生产生活造成较大危害。为此,对路面塌陷进行高效的探查及治理变得非常重要。探地雷达（GPR）方法以分辨率高、无损与高效等特点成为交通基础设施病害检测的重要手段,基于探地雷达信号的路面塌陷识别已成为目前最为活跃的研究热点之一。传统的基于探地雷达成果的塌陷识别大多依靠人工进行,对塌陷体分布范围的提取及类型评价标准不客观,效率低下,因此研究基于探地雷达信号的路面塌陷智能识别方法具有显著的社会经济价值与社会现实意义。本文主要由以下几部分构成,第一部分对探地雷达方法的基本原理及野外方法技术进行了总结;第二部分分析了黄土成因及结构特点,总结了黄土区典型路面塌陷的成因及其对应的空洞区、土质松散区及充水区三类典型路面塌陷结构,构建了相应的地质-地球物理（电性特征）模型,结合实测雷达参数,利用gpr Max数值模拟软件获取了不同塌陷结构对应的探地雷达响应信号,并对其特征进行了分析;第三部分开展了基于探地雷达信号的典型黄土区路面塌陷智能识别方法研究,将深度学习中的卷积神经网络（CNN）算法引入到塌陷区智能识别中,首先基于典型塌陷结构模型及其对应的探地雷达响应构建了VGG-19卷积神经网络,并对模型中的关键参数进行了选取分析;同时为满足深度学习类算法要求大数据的特点,在模型训练过程中引入生成式对抗网络（GAN）对训练数据集进行了扩展;其次利用搭建好的VGG-19网络对典型塌陷结构理论响应数据进行了识别,验证了模型的准确性。第四部分将本文所研究的智能识别方法应用于宁夏某黄土区路面塌陷实测探地雷达数据中,先采用计算方差分布和预设阈值的方式对实测数据的异常区域进行自动提取,在此基础上对其进行塌陷类型自识别,验证本文所提出的智能识别方法的准确性、稳定性及可推广性。最后,对本文所做的工作进行了总结,分析了存在的不足及下一步的研究方向。