一个城市的排水管道与公共卫生、安全、环境、经济利益等密切相关,如果排水管道发生堵塞或者破裂等问题,会导致严重的后果,甚至导致城市的整体瘫痪,因此对城市排水管道进行高效准确的检测是城市建设一项非常重要的环节。由于排水管道内部空间狭小,且环境复杂,人工巡检效率低并伴随着一定的危险性。近年来,随着机器人技术的发展,出现了管道机器人来代替人工进行管道内作业。国内很多城市都是开始通过管道机器人进行管道内部图像的拍摄然后由专业工程师进行人工识别,但是随着管道规模的不断扩大,人工的方式无法进行及时准确的判别,基于此本文开展了基于机器视觉的城市排水管道内部缺陷识别方法的研究。论文的主要工作与技术创新点主要包括:（1）针对管道图像包含多种不同性质的噪声、图像中细节部分亮度不高、以及数据集表现出很严重的长尾效应,对管道数据集进行预处理。预处理分为图像层面和数据集层面两部分。对数据集中的原始图像,通过基于低秩恢复的方法进行去噪处理,基于Retinex的图像增强算法提高图像的对比度。为消除数据集中因长尾效应带来的负面影响,采用上下文编码器生成新的图像样本。（2）针对城市排水管道缺陷识别领域中不同样本识别难度差异巨大,包括不同类别的样本以及相同类别不同程度的缺陷,以及训练集中包含错误标签样本等问题,设计一套缺陷识别模型构建方法。采用渐进式的网络架构搜索方法构建一种专门用于城市排水管道缺陷识别的模型结构。除此之外,设计了一种基于错误集中机制的训练策略以及相应的三阶优化框架,模型在训练过程中会根据其在验证集中的性能,为不同的训练样本分配不同的训练权重,从而提高识别模型的性能。（3）在多种不同的场景中验证上述构建的模型的性能,首先在单缺陷场景中证明模型可以准确的识别当前图像是否包含缺陷以及缺陷的具体类别,该场景中识别的缺陷为四种在实际城市排水管道中发生频率最高的缺陷。然后测试模型在多缺陷场景中的性能,虽然无法自动识别出图像中存在的其他缺陷,但是可以给出图像中存在每种缺陷的概率,后期很容易判别出其他缺陷。最后考虑到实际生活中会出现其他的缺陷,对模型进行改进,使其可以识别更多的缺陷。总体而言,为解决城市排水管道内部缺陷检测,提出了一种基于机器视觉的缺陷识别方法。首先对管道图像数据集进行预处理,再基于处理好的数据集,采用渐进式的网络结构搜索方法,并配合本文提出的基于错误集中机制的训练策略,构建一个管道缺陷识别模型,最终得到的识别模型可以很好的识别实际管道图像中的缺陷。本文的研究工作有效提高了基于机器视觉的城市排水管道缺陷检测的效率和准确率,为城市排水管道检测提供了技术支持。