道路是城市的关键基建设施,保障其安全性是城市建设的重要一环,而地下空洞是威胁道路安全的隐患之一。作为一种地下空间勘探方式,探地雷达在道路的日常维护中起到了重要作用,它通过发射电磁波并接收反射回波的信号,再经后期处理对信号进行成像。目前应用较为广泛的地下空洞识别方法主要基于对探地雷达图像的人工判读,但人工判读对操作人员要求高且效率低下,因此引入机器学习和深度学习等方法是探地雷达地下空洞目标识别的一个必然趋势。针对这一趋势,本文提出了使用基于时间序列分类算法的地下空洞目标识别的思路。本文首先对已采集到的实际数据集进行了分析,研究地下空洞在探地雷达图像中的具体表现形式,并对已有的二维实际数据集进行了预处理和预筛选,针对探地雷达地下空洞图像的特点设计了一种基于能量异常检测的预筛选方法。一幅二维图像所包含的数据量较大,对后期训练不利,为了在对数据进行降维的同时保留重要信息,本文分别使用了边缘直方图描述符、方向梯度直方图和Log-Gabor滤波器对分割后的二维图像进行特征提取得到特征向量序列,再将其分别输入到隐马尔科夫模型分类器、长短期记忆神经网络和门控循环单元网络中进行处理,通过对于识别结果的分析比较了各种算法的性能差异。相比二维的探地雷达图像,三维探地雷达图像包含了更大的信息量。本文在二维探地雷达图像的基础上,使用Gpr Max3.0生成模拟图像,对三维数据集进行了补充,设计了针对三维图像的预处理和预筛选方法,阐述并研究了两种不同的三维图像特征向量序列的构成方式,探讨、比较和分析了在不同的干扰和噪声下各种算法组合的识别率性能。