地下管线是城市建设发展的基础,在地下管线不断建设的过程中,地下管网系统日趋复杂,对正常运行和维护提出了更高的要求。开展城市管线普查探测,有助于建设城市三维空间的信息管理规划,改善信息缺失导致的管线事故频发现状。探地雷达（Ground Penetrating Radar,GPR）作为一类精细化地下空间探测技术,具有无损检测、连续便携等优势,是管线目标探测的首选。然而在大范围普查过程中,探地雷达探测工作会积累的海量数据,难以采用人工方式逐一分析。除此之外,城市地下空间介质分布复杂,表现为电磁波在传播过程中存在大量不确定性,使得管线实际位置定位困难。针对上述问题,课题将基于步进频连续波探地雷达系统,结合深度学习方法,训练管线目标自动辨识模型,实现管线目标检测以及材质识别,同时研究层状介质反演方法实现复杂环境下管线目标定位,完成管线目标信息智能辨识。本文主要工作如下:（1）针对步进频连续波体制探地雷达探测管线数据集缺少问题,课题首先结合该体制探地雷达系统,分析高分辨率一维距离像的处理过程;而后对探地雷达所发射的电磁波进行正演仿真模拟,并讨论了几种典型的管线目标埋设场景,分析该体制雷达探测管线不同目标的图像特征,进而通过预处理以及数据增广方法完成管线目标数据集构建。（2）本文采用深度学习神经网络训练了地下管线目标自动辨识模型,同时为了更好地检测管线目标,对特征提取网络部分嵌入注意力机制,改善了管线目标类型辨识的准确度,对模型辨识性能进行量化评估,经测试集证明该模型在管线目标辨识中具有良好的效果。（3）本文分析传统的管线目标定位方法的不足,基于层状介质反演思想,以普遍存在的层状介质为核心,设计了一种管线目标定位方法,为了避免反演迭代时出现局部最优解问题,采用惯性权重的粒子群优化算法完成介质模型参数更新,对比论文提出方法与传统双曲线特征法的定位性能,并开展实验验证该方法的有效性。