工程地质勘探和分析是水利工程建设中不可缺少的一环。但是在高边坡、深洞室及复杂地形的情况下，工程初期的地质勘查工作缺乏参考资料和指导，有效地质数据的获取费时费力，难以实现实时的分析与反馈。另一方面，部分地质数据，如地质图像等，只是作为参考文档进行存储，没有应用到具体的计算分析中。近年来，随着计算机技术、数字科学和地质信息技术的不断发展，一些新方法和新技术为地质勘探和地质数据分析提供了新的研究思路。基于大数据的深度学习方法在许多领域取得了较好的效果，对于非结构化数据，如图像数据，深度学习方法可实现其有效分析。将深度学习方法引入地质勘查与地质数据分析可一定程度上实现其分析的自动化，从而减少地质工程师的工作量，进一步实现地质数据获取与分析的智能化。本文依据实际工程数据，结合深度学习理论与水工地质分析方法，对水工地质中不同尺度的图像进行了深入而系统的数据挖掘与智能分析，主要研究内容和研究成果如下：
　　(1)以地质勘查中的地质结构图像为研究样本，基于不同特征提取方法，建立了水工地质勘查中地质结构图像最优分类模型。通过对比不同特征下的机器学习模型、卷积神经网络和深度学习迁移模型，讨论不同特征(如颜色和纹理)对于结果的影响，基于准确率对不同模型进行评价，其结果显示得到的最优模型可为水工地质勘查分析提供可靠依据。
　　(2)基于多种深度学习模型分别对洞室内基础地质现象图像进行特征分析，结合机器学习方法建立了洞室内基础地质现象图像最优识别模型。采用不同的深度学习模型和机器学习方法相结合，对比分析得出洞室中基础地质现象图像识别的最优模型方法。通过迁移学习方法和多种深度学习模型实现洞室基础地质现象图像特征的提取，基于提取的特征建立多种机器学习模型并对比得到最优识别模型，其结果可为洞室内基础地质现象自动化识别提供设计参考。
　　(3)以钻孔摄影图像中地质边界为研究对象，通过对比传统的图像处理方法和基于深度模型的目标检测方法，以及比较基于不同深度模型的目标检测方法，最终确定了较优的地质界线识别模型。采用基于阈值和边缘的传统图像处理方法和基于多种深度学习模型的目标检测方法对钻孔摄影图像进行分析研究，结果显示，由于地质条件复杂，钻孔摄影图像中存在较大噪声，单纯的阈值或边缘特征难以实现地质界线的识别与检测；而基于深度学习方法的模型可以排除噪声干扰，较好地识别地层界线，在训练过程中误差较小且收敛速度较快，其对于三维地形模型建立的自动化、智能化实现有重要意义。
　　(4)以钻孔摄影图像中结构面为研究对象，利用传统的图像处理方法对钻孔摄影图像进行分析，再以不同图像分割模型为预训练模型，利用图像分割模型迁移学习方法进行训练，对比传统方法和基于深度学习的模型方法对钻孔图像中结构面的分割效果，提出了适用于钻孔全景图像结构面分割的自动化方法。传统图像分割方法速度快且不需要训练，但是准确性低，基于深度学习模型的图像分割方法准确性高，训练完成后，图像分割速度与传统方法相差不大。另外，基于深度学习模型的图像分割方法可以实现图像的像素级分类识别；通过对多种图像分割模型进行迁移训练，并对收敛过程进行分析，对比传统方法和不同的基于深度学习方法模型的优缺点，最终提出了钻孔摄影图像结构面自动化识别方法，其对于水工地质安全评价有重要意义。