近年来,我国城市轨道交通系统建设事业发展迅速,盾构隧道因其众多优点,在建设过程中得到了广泛的应用。随着隧道使用年限地增加,以及使用环境得复杂,隧道表面容易产生一些细小的裂缝,而裂缝极有可能导致隧道结构的损坏,所以需要及时发现并进行相应的处理。现阶段该项任务主要依靠人工巡检来完成,隧道内光线昏暗,裂缝又非常细小,人工巡检准确率低,效率低下,所以地铁隧道亟需高效、准确的自动化检测技术及方法,以保证隧道检测与运维的可靠性与时效性,保证城市轨道交通线运行的安全性。本文研究基于深度学习的盾构隧道表面裂缝检测（分割）算法,分别通过两种深度学习的思路来实现盾构隧道表面图像中裂缝的自动化检测与分割。一种是基于目标检测和边缘检测技术的裂缝检测分割算法,隧道表面情况复杂,传统的图像处理算法很容易受到管线、管片拼缝等复杂背景的干扰,很难准确地将裂缝分割出来,此研究中我们首先用改进的Faster R-CNN算法来检测裂缝,提取包含裂缝的局部图像区域,然后再用边缘检测算法提取出裂缝的边缘信息,从而实现裂缝的准确分割。另一种是基于方向性特征的语义分割的算法实现的裂缝自动化分割,我们首先分析了盾构隧道表面裂缝的成因及特征,然后针对该特征提出一个方向性注意力模块,并在此基础上构建出一个端到端的裂缝分割网络,可准确从图像中分割出裂缝,其平均像素精度（MPA）达到了97.56%,在盾构隧道表面裂缝分割任务上明显优于现有的经典语义分割算法和常见的裂缝分割算法。基于以上两种方法,我们实现了盾构隧道表面裂缝准确的自动化检测与分割技术,此项技术在实际地铁隧道病害智能识别中有较大的应用价值,为后续深度学习在地铁隧道裂缝检测乃至各种病害检测中的应用提供了技术支撑和研究思路。