随着高铁隧道快速修建和服役年限的增加,隧道病害逐渐增多,对于平顺性的要求使得线路桥隧比不断提升,出现了越来越多长大隧道。未来5～10年,已建成的隧道将会逐步进入到维修与养护高峰期。采用传统的“人海战术”难以完成工作量巨大的日常监测和维修养护。由于高速铁路检修时间短和更高的安全要求,隧道病害快速检测系统应运而生。车载检测系统需要在高速环境下采集隧道表面信息,并在室内进行检测。然而衬砌图像大多数是无病害图像（占比90%以上）,剔除无病害图像可以减少数据存贮量和降低高速海量存贮对于硬件的要求。本文基于高铁隧道表面病害检测系统,对采集图像过程中高速筛选无病害图像算法和模型搭建展开研究,主要工作如下:1.调研了高铁隧道表面病害形式,分析了病害在高铁隧道中占比数量。阐述了车载检测系统在长大隧道中检测速度标准和高速行驶状态下采集衬砌图像的海量数据存储问题。将高铁隧道衬砌图像分成4类,由于隧道复杂的环境,提出采用基于深度学习的算法筛选衬砌无病害且无构筑物图像。2.利用相机采集地铁隧道、公路隧道衬砌图像,采用窗口滑动算法和数据扩增方式建立隧道表面病害数据集TSDD（Tunnel Surface Defect Data）。依据海量实时筛选图像的要求,对常用的主干网络进行对比,最终选择在精度和推理速度上表现更均衡的ResNet-18作为轻量模型的主干网络。3.提出采用深度可分离卷积替代标准卷积,采用全局平均池化替代传统的全连接层,压缩模型参数;使用批归一化提升卷积层对数据的挖掘能力。搭建的轻量卷积模型精度高达99.91%,在GPU（RTX 2060Super 8G）下推理速度为11.91ms/张,在CPU环境下推理速度为24.95ms/张,相较于ResNet原生网络速度提升明显。4.提出了采用带权重的损失函数计算真实值与预测值的距离,该方法提高了无病害样本的查准率,提升筛选性能。对于已训练好的ResNet-DS,提出采用静态离线量化的方式优化模型的部署和推理速度。5.最终模型ResNet-DS在CPU和GPU环境下推理速度分别为21.20ms/张和10.86ms/张,相较于ResNet-18速度分别提升178%和22%。所提轻量模型易于部署,实现自动化筛选和存储,有较强的工程应用价值。