随着地下资源勘探、地下管道探测等应用需求的增加,地下目标探测逐渐引起了大家的关注。目前常用的对于地下目标探测的方法主要包含电磁法、声波法、红外线探测、探地雷达等方法。而其中探地雷达是一种高效的地球物理勘探手法,它的精度比电磁法更高,适用范围比红外线法更广,因此成为目前最为广泛使用的一种地下目标探测方法。探地雷达通过向地下发射并接受电磁脉冲信号来探测介电常数相异的材料,并以此为基础检测介质内部结构以及材料特性变化,是一种无损探测地下目标的有效手段。由于雷达波在传播过程中容易受到干扰,在图像数据中产生诸多干扰信息,大大提高了数据判别门槛,增加了对于雷达数据读取的成本,减缓了探地雷达的应用发展。本文针对目前探地雷达数据人工解译准确率低的应用情况,结合探地雷达数据可表征为二维图像的特性,将结合注意力模型的卷积神经网络运用到探地雷达数据的判别中,主要完成了以下几点内容:1.结合注意力网络构建神经网络,针对探地雷达数据中目标特征曲线进行研究,形成了地下目标智能识别方法,提高了探地雷达B扫图像目标识别尤其是管道泄漏数据识别的准确率。2.基于时域有限差分法（Finite difference time domain method,FDTD）数值模拟理论与已有的土壤介电混合模型,构建出分层的拟真土壤模型,利用该模型批量生成拟真探地雷达仿真数据,并将该数据运用至神经网络的学习,在仿真数据层面验证了网络对于不同类型土壤中地下目标识别的能力。3.对于所构建的神经网络模型分别在仿真与实测数据中进行了训练与测试,完成了对于地下目标物水平位置、目标物深度、目标物横截面积的识别,对管道泄漏情况也能进行准确的判断,弥补了现有人工智能方法对于探地雷达数据中管道泄漏相关内容识别的不足,提高了地下目标物几何位置识别的准确率。在测试集中利用判断结果与标签进行对比,经验证该网络结构在仿真数据的纵测线管道泄漏识别结果与横向目标物数据判别准确率分别达到94.5%与84.6%,在管道深度与泄漏面积识别上分别获得了95.1%以及96.4%的准确率;同时该网络在纵向管道泄漏数据与横向目标物数据判别准确率分别达到了92.3%和84.4%。