炼化企业为实现智能风险管控,采用视频巡检方法,巡检过程中需对输入系统的图像进行处理,然后判断炼化设备是否发生腐蚀,当发生腐蚀缺陷时,需要准确定位腐蚀区域。目前腐蚀样本复杂且缺乏合适的基于深层网络模型的腐蚀识别方法与腐蚀区域定位方法,本文运用图像识别相关的理论和方法,建立了识别腐蚀缺陷的模型,判断腐蚀发生准确率大小,在准确率满足要求前提下,针对易发生腐蚀的区域,采用改进的Faster-RCNN算法,对其进行腐蚀区域定位,通过改进算法锚框及优化参数,实现四种类别炼化设备腐蚀区域的定位,为企业智能风险管控提供决策支持。本文开展以下三方面的研究:（1）针对由于腐蚀图片数据特征信息不明显及可用样本少导致炼化设备腐蚀数据集质量与深度学习方法之间不兼容的问题,本文提出一种基于数据增强技术的炼化设备腐蚀数据集预处理方法,相较于传统方法,识别出更多边缘,且边缘轮廓更加清晰,采用轮廓圆滑值定量评价边缘检测效果,本文方法轮廓圆滑值1.03低于传统方法的1.36,说明其更接近于真实边界。（2）针对浅层网络训练无法较好表达腐蚀特征,选用深层网络会导致梯度消失的问题,本文提出改进的深度残差网络结构腐蚀故障识别方法。腐蚀数据测试案例表明,本文方法训练函数损失降低至6%,采用混淆矩阵得出本文方法对于闸阀腐蚀的识别准确率为91%,连接处腐蚀识别准确率达到96%,法兰腐蚀准确率达到88%,排气扇腐蚀准确率88%。本文方法对于腐蚀识别平均准确率为91%,相较于传统基于BP模型腐蚀识别方法准确率提高了20%,本文方法对于腐蚀的识别准确率更高。（3）针对常见的自选择搜索方法对于目标区域定位效果差,且训练耗时长的问题,提出了改进Faster-RCNN腐蚀区域定位方法,解决四种类别设备腐蚀发生区域定位问题。炼化设备腐蚀区域定位案例分析表明,本文方法成功实现闸阀腐蚀、连接处腐蚀区域定位,预测框的IOU值到达92%,且其模型召回率曲线达到88%,符合精度要求;对于腐蚀区域点散化分布排气扇腐蚀数据集,其预测框IOU值为62%,召回率曲线72%。本文模型的平均精度为84.8%,相较于传统Faster-RCNN平均精度提高8.1%,本文模型的精度符合要求,且优于传统方法。