排水管道是城市的基础设施,对排水管道的定期检测和维护是市政工程机构的一项重要工作,实现检测的自动化可以节省大量的成本。因此,基于CCTV录制图像的自动排水道缺陷检测方法得到工业界和学术界的共同关注,成为当前计算机视觉和市政工程领域的研究热点问题之一。到目前为止,一些问题仍然需要进一步研究:（1）数据不平衡问题（无缺陷管道图像多,而有缺陷图像很少）。（2）缺乏公共数据集情况下,费时费力的人工图像标注问题。（3）某些缺陷类别之间边界不明确。（4）如何识别出一张排水管道图像中存在的多类缺陷。基于对先前排水管道缺陷检测方法以及深度学习方法的研究,本文提出了两种排水管道缺陷分类算法。在第一种方法中提出了基于异常检测和半监督学习的两步识别缺陷的框架,第一步是仅使用无缺陷排水管道图像训练的异常检测模型,一定程度上兼容了数据集中的无缺陷和有缺陷类别数量不平衡的问题。第二步是半监督的多分类。模型使用加入了CBAM和Shake-Shake正则化改进的Res Net作为主干网络,改进后的网络更适用于对差异小、难以区分的的缺陷类别分类。该方法在较小的数据集训练模型,在排水管道结构性缺陷分类的准确率较已有方法有所提高。但这种方法尚不能解决一张排水管道中存在多种缺陷的问题。针对单张图片中多种缺陷共存的情况,本文提出了排水管道缺陷多标签分类方法。方法中使用类激活映射提取每类标签对应的注意力区域,基于注意力的一致性限制训练模型,使用加权多标签分类损失解决各类样本数量差异的情况。训练效率高,网络模型简洁,得出了较先前研究方法有一定改进的多标签识别准确率。