随着我国城市轨道交通的快速发展，地铁隧道工程建设的规模与日俱增，极大的方便了人类的出行。随着地铁隧道使用年限的增加，大部分隧道己经进入养护和维修阶段。隧道修建及运营过程中，会受到围岩压力的变化、周边荷载的扰动、车辆的振动等影响，隧道管片表面将会出现裂缝。裂缝的出现不仅会导致管片内部钢筋腐蚀、表面混凝土脱落，进而降低隧道承受外荷载的能力，对行车安全造成隐患。因此，地铁隧道裂缝等病害的及时检测与维护对于地铁轨道交通的正常运营、保障人民生命财产安全具有重要的意义。由于地铁隧道环境恶劣，裂缝图像对比度低、分布和不规则噪声较大，这些都对裂缝的识别产生了很大的干扰；更重要的是隧道表面安装有大量隧道正常运营所必需的基础设施，这些前端的设施经常会遮挡隧道表面的裂缝，从而严重干扰隧道裂缝特征的自动提取，给地铁隧道工作状态的综合评估造成不利的影响。因此，本文将针对地铁隧道环境复杂、遮挡物较多的特点，结合人工智能技术，展开了从遮挡物的识别、裂缝的识别到裂缝特征自动提取的系统研究。
　　本文基于深度学习和机器视觉技术，提出了一种考虑存在遮挡物情况下的地铁盾构隧道裂缝识别与特征提取算法，在快速准确识别裂缝的基础上，结合隧道表面障碍物的自动分割技术，利用卷积神经网络实现了基于图像恢复技术的裂缝特征提取，从而可以得到更为准确的裂缝信息。本文首先提出了一种基于U-net网络的地铁隧道管片表面的基础设施分割方法，同时配有掩码图以记录遮挡物位置信息，并将此方法应用到了拼接融合后整环管片上。然后使用本文所搭建的以VGG-16为特征提取网络的FasterR-CNN网络模型，对隧道管片图像中的裂缝进行定位和标记，以获得裂缝位置信息。最后结合掩码图中遮挡物的位置信息与裂缝位置信息，判断出裂缝与遮挡物之间的关系。对被遮挡的裂缝，先对其修复后再进行特征提取。图像修复使用的是本文提出的一种深度卷积神经网络模型，通过训练人为设置的被遮挡的裂缝样本，使得网络能够学习到裂缝的形态、走向等信息。经过训练后的网络模型可对被遮挡区域的裂缝进行预测。结果表明，本文提出的裂缝识别与特征提取方法，可以最大程度的修复被遮挡的裂缝信息，经过修复的裂缝与实际裂缝信息相近。在实际隧道病害检测与综合评估中具有应用价值，为后续学者研究深度学习在地铁隧道病害检测中的应用提供了研究思路。