随着智慧城市管理系统进程不断推进,城市井盖检测属于智慧城市管理系统的关键环节。井盖的缺失和损坏会造成严重的交通事故和难以预料的经济损失,可见城市井盖的检测识别是相当重要的。井盖的检测必须要有精确的井盖信息,得到精确的井盖信息后,将这些精确的信息反馈给相应部门进行检修,若通过人工检测录入,会出现效率低、耗时多、精确度低等问题。通过传统的图像算法难以解决自然场景过于复杂、路面与井盖相似度过高等问题。本文通过对当下主流的图像实例分割模型算法进行改进,探索适用于复杂自然场景的实例分割模型算法,设计的基于卷积神经网络的城市井盖检测系统,实现智慧城市井盖图像的检测与识别。提出了一种融合注意力机制的深度学习实例分割模型和图像多尺度分割算法进行城市井盖的检测方法,在图像中检测出井盖的信息后,通过OCR文字识别,得到井盖的具体信息,最终将这些具体信息以文本的形式输出。论文主要做的工作如下:（1）设计并且实现了一种井盖图像的小样本图像增强的方法,提出了一种基于城市井盖的数据集,其包含了对井盖图像的网络爬虫以及小样本图像增强方法,同时将得到的井盖图像进行预处理筛选出作为训练数据集部分。（2）通过Labelme标注软件人工手动标注得到的井盖数据集,并将数据集拆分为训练集、测试集、验证集三个部分供后续图像实例分割模型学习训练。（3）设计并且改进了当下主流的图像实例分割模型算法,解决了传统图像算法对自然场景丰富的图像的不适用性,实现井盖图像的精准快速检测,为后续提取井盖图像上的文字奠定基础,显著提高了井盖图像文字识别精确率。（4）设计并调研了CTPN算法的文字识别方法,并通过OCR开放文字平台对CTPN算法文字识别方法精度的验证和识别效果的提升,在一定程度上提高了文字检测识别的精确率。（5）开发了一套适用于城市井盖检测的系统平台,结合了本文中的一些小样本的井盖数据集增强、手动Labelme标注验证、引入通道注意力机制模块的图像实例分割模型的搭建以及CTPN算法加上OCR文字开方平台对字符的检测校验,实现了城市井盖检测的批量化、自动化进程。此外本系统平台还包括了人工自动校验的功能,能够进一步的提高城市检测的识别准确率和精确率。