公路隧道开挖过程中实时对掌子面围岩情况进行分级的方法,主要是通过各种因素以及修正系数对围岩进行评价,这样的方法简单,但需要现场地质人员专业的地质知识以及长时间处在隧道掌子面附近进行记录。因此,数字化提取掌子面的完整图像,结合图像识别技术交给计算机进行处理,并且输入少量参数即可得到围岩分级结果的围岩智能分级方法,可以在很好地提升工作效率的同时,有效地提升围岩分级的准确度。围岩智能分级方法降低了人为因素对围岩分级的影响,对智能化围岩分级的研究具有重要意义。本文主要研究隧道掌子面的图像识别及其分级特征参数的围岩智能分级应用。研究内容主要以深度学习为重要手段,运用计算机视觉技术,基于Python编程语言对掌子面图像中的特征进行建模并分析处理。随后应用Python-Sklearn框架,基于支持向量机的原理建立Sklearn-SVC围岩分级模型,将通过深度学习提取得到的分级特征参数转化为定量指标进行围岩智能分级。对比按照规范标准的现场围岩分级结果来对分级模型正确率进行验证,从验证结果分析其能否满足工程的需求。通过研究取得的成果如下:（1）通过引入新兴的人工智能深度学习方法作为重要的掌子面围岩分级特征参数提取手段,规定掌子面图像的获取方式、流程,制定图像像素尺寸与实际单位面积的换算方式。研究了对图像进行数据增强、数字化处理以及归一化处理等一系列图像预处理方法,从而对图像样本集进行了良好的预处理。（2）利用大量的掌子面图像进行深度学习模型训练,从而对掌子面图像进行特征分类识别。通过对多达十多种较为常用且前沿的卷积神经网络分类模型进行对比分析,选择表现效果最好的分类模型分别作为掌子面节理裂隙发育情况、风化程度、地下水发育情况3类特征参数的最终选取模型。基于两种不同方式对选取的模型进行了内部中间层特征以及卷积核的可视化研究分析其模型性能,对分类模型结构、参数进行优化,提升了分类模型的性能效果。（3）在已经进行过分类识别的节理裂隙定性特征基础上,通过深度学习目标检测、计算机视觉图像处理技术,建立利用裂隙像素面积与整张图片像素面积的面积比评价掌子面围岩状态的定量化方法。基于裂隙面积比与掌子面围岩状态的相应关系,获得掌子面岩体完整程度及其对应的岩体结构两类特征指标,并对其准确性进行验证。（4）将经过深度学习分类识别、目标检测以及计算机视觉处理得到的掌子面图像围岩分级特征指标进行量化,建立分级指标的量化评价标准。基于支持向量机搭建Sklearn-SVC围岩分级模型,综合量化指标对掌子面围岩进行智能分级预测,预测结果较为准确合理。（5）阐明了SKlearn-SVC分级模型的指标获取方式以及围岩智能分级的主要流程,将Sklearn-SVC围岩分级模型与乐西高速和绵九高速公路隧道的部分围岩分级资料进行比对测试,对采用围岩智能分级方法的分级结果与应用隧道现场围岩分级方法的分级结果进行比较,论证了围岩智能分级方法的实用性,在提升地质工程师工作效率的同时有效地保障现场人员人身安全,进而推动隧道信息化建设和智能化施工的进程。