露天矿边坡稳定性与保证矿山安全生产、保障矿山工作人员的生命财产安全以及提高矿山经济效益有着密不可分的关系。随着露天开采的深度和边坡角度的增加,边坡稳定性问题越发突出,边坡滑坡灾害时有发生,其发生的原因往往是没有进行及时有效的边坡裂隙检测。裂隙虽不会对边坡稳定性造成直接巨大的影响,但裂隙的非及时性检测将会导致露天矿边坡发生滑坡等严重危害。因此,选择科学合理的方法对露天矿边坡裂隙进行及时、准确的检测以及量化统计至关重要,能够为露天矿的安全生产管理提供数据支持。本文的具体工作主要有以下几个方面:（1）针对露天矿边坡形变监测技术、数字图像处理技术以及裂缝检测方法进行了简要的阐述,并介绍了涉及到的相关深度学习理论及框架,为露天矿边坡裂隙的智能检测及量化模型的构建提供了思路。（2）针对目前国内外广泛使用的基于阈值分割、边缘检测以及机器学习等方法所设计的裂缝检测方法在露天矿边坡裂隙图像上直接应用所存在的检测效果不佳,分割精度较低以及误检现象严重等问题,本文选择集合了目标检测和语义分割特点的深度学习框架Mask R-CNN作为裂隙检测的基础网络,并针对其在掩膜分支所输出的裂隙边缘不清晰以及存在误检等缺点进行了相应的改进,引入了空洞空间卷积池化金字塔,并在掩膜分支加入了分类分割迭代上采样操作,实现了对边坡裂隙的多尺度特征提取,提高了模型的边坡裂隙分割精度。（3）针对目前尚无统一的合适的量化统计方法对检测出的裂缝进行损伤度评价的问题,本文结合裂隙的形态分类模型以及裂隙的量化统计模型,实现了对检测分割出的裂隙进行量化统计的目标。本方法的核心思想是:首先,基于卷积神经网络构建了一种像素级的露天矿边坡裂隙形态分类模型,将检测到的裂隙分为横向、纵向以及斜向裂隙这一类单一裂隙,以及不规则龟裂这一类不规则裂隙;然后,在裂隙形态分类的基础上,对不同种类的裂隙采用不同的统计量化方法,对于单一裂隙图像基于投影映射方法对裂隙长度、最小临界宽度和最大临界宽度等相关属性信息进行统计量化,而对于不规则裂隙图像则基于裂隙连通域标记方法以及裂隙骨架提取方法对不规则裂隙的相关属性信息进行统计量化,进而能够推断出其相应的损伤程度,为露天矿边坡稳定性的管控以及矿山安全生产管理提供数据指标。实验证明,本文所构建的露天矿边坡裂隙智能检测模型具有更好的裂隙目标检测结果以及更高的裂隙边缘分割精度,同时,在裂隙检测分割的基础上所设计的基于裂隙形态分类的量化统计方法,基本满足露天矿边坡裂隙的量化统计需求,能够为露天矿安全生产管理提供数据指标,具有一定的适用性和可行性。