地下老旧管线的损坏往往会造成巨大的经济损失,严重时甚至会威胁人民的生命安全,地下管线资料的缺失也会阻碍现代化城市的建设进程。随着车载探地雷达技术的发展,极大的提高了探地雷达的检测效率,然而繁重的人工解释工作限制了探地雷达在大规模城市场景中的应用,因此研究出一种能够自动对探地雷达图像进行准确识别的算法即可极大程度上减少检测成本。本文主要借助卷积神经网络对探地雷达三维管线图像进行识别分类研究。首先针对目前没有公开可用的探地雷达数据集,本文基于实际工程中车载三维探地雷达采集的原始数据,完成了原始数据的预处理及数据集的制备。针对探地雷达图像中存在直达波干扰,以及电磁波的幅度随着传播深度的增加而快速衰减,导致深层目标反射回波微弱的问题,本文分别采用了均值滤波法去除直达波干扰,以及采用基于包络极值自适应生成增益函数的方法对回波进行补偿增益。最后对探地雷达三维图像中各种地下目标的特征进行了分析说明,并通过人工筛选标注的方式制作了探地雷达数据集。然后研究了基于卷积神经网络的探地雷达三维图像监督识别方法。首先阐述了二维卷积存在难以提取到相邻通道间的特征的问题,说明了采用三维卷积提取探地雷达三维图像中目标特征的必要性,并且通过实验证明了使用三维卷积神经网络（3D-CNN）对地下目标进行识别分类的优势。然后针对探地雷达图像中噪声干扰较多,且异常区域在图像中占比小的问题,依据人工处理探地雷达数据时的习惯,提出了一种结合注意力机制的网络（A-3D-CNN）,使网络更加关注探地雷达图像中关键的区域,有效提高了网络的识别准确率。最后研究了基于卷积神经网络的探地雷达三维图像半监督识别方法。针对探地雷达数据中标记样本有限的问题,首先提出了通过自训练方法（PL算法）为无标签样本分配伪标签的方式,实现对无标签样本的有效利用。但是该方法无法确认伪标签的正确性,通过预测置信度阈值来选择可靠样本难以保证网络获得较好的性能提升。接下来针对可靠样本选择的问题,本文提出了基于双分类器进行可靠样本选择的方法（SVM-PL算法）,通过SVM分类器和原卷积神经网络中预测结果对伪标签联合决策,以筛选出标签更加可靠的样本去参与网络训练,有效提高了网络的分类性能。