我国近几十年城镇化正在不断推进,城市占地面积得到了显著提高,而道路作为城市的重要基础设施,其安全性关系到整个城市的经济活动与居民安全。为保障城市的安全平稳运转,排查地下空洞病害的必要性日益凸显。探地雷达（Ground Penetrating Radar,GPR）基于电磁波的反射,能够以图像的形式得到地下介质的相关信息,从而确定地下介质分布。作为一种无损的地下勘测设备,探地雷达在道路的检修工程中具有广泛的应用。由于探地雷达相关领域研究起步较晚,目前探地雷达目标的判读还主要以人工方式为主,然而这种方法需要对工程师进行训练且工作十分繁琐。基于此种现状,对探地雷达图像的自动识别与检测的研究具有重要的研究意义。针对这一目的,本文提出了基于深度学习的探地雷达地下空洞目标检测方法。本文首先对从城市道路中实际采集的探地雷达图像数据进行分析,总结出多种地下空洞的回波样式,然后对原始图像数据进行背景消除、增益和去噪处理,并对实际去噪效果进行了分析。针对本文的识别和检测任务,制作生成了两种由真实数据组成的数据集。本文使用了残差网络（Residual Network,Res Net）和VGG两种深度神经网络模型进行识别,并与基于方向梯度直方图和支持向量机的传统识别算法进行对比,分析网络的性能,并择优得到用于后续研究的主干网络。然后使用Ghost模块和调整池化层的方式,分别对主干网络的复杂度和识别率进行优化,得到更适合处理探地雷达地下空洞图像数据的主干网络。相对于地下空洞的识别,地下空洞的检测则是更为进阶的任务。本文针对实际数据集,基于优化的主干网络,研究并搭建了Refine Det作为地下空洞的检测网络,对地下空洞进行检测。并从准确率和漏检率等方面对算法进行评估。为了提升网络性能,本文引入了注意力机制,并且将网络的深度进行扩展,比较和分析了不同优化方式下,网络的实际性能表现。最终本文优化处理后的检测算法在真实数据集上达到95%的准确率以及1.6%的漏检率,能够较好的完成GPR地下空洞智能检测任务。