钢筋混凝土是桥梁、隧道、堤坝等基础设施中广泛使用的建筑材料,长期服役的钢筋混凝土结构容易出现裂缝、脱空、空洞、不密实等内部病害,严重威胁了大型基础设施的健康运营。探地雷达由于具有无损检测、穿透能力强、快速高效等优点,被广泛应用于钢筋检测、钢筋深度估计、混凝土病害识别等领域。然而,由于钢筋层对探地雷达电磁波的屏蔽作用,探地雷达B-scan图中的钢筋信号会严重遮挡其下方的病害信号,导致钢筋下病害的识别极其困难。因此,研究准确高效的钢筋下病害识别方法,提高钢筋下病害识别准确率已成为迫切需求。本文主要研究工作及成果如下:（1）针对探地雷达图像中,钢筋信号严重遮挡病害信号导致钢筋下病害难以识别的固有难题,研究了基于深度学习的钢筋信号压制与病害信号重建方法,建立了基于有监督学习的钢筋信号压制模型,重点围绕探地雷达图像的特点,设计了多支路残差模块和注意力模块,提取不同尺度的丰富特征,引导模型关注微弱的病害信号,解决了钢筋信号严重干扰导致病害信号难以准确重建的问题,在仿真数据集和加噪声仿真数据集上进行了对比实验和消融实验,检验了其钢筋信号压制能力和精准重建病害能力,最后开展沙箱试验并检验压制模型在真实数据上的效果。（2）针对实际工程中,难以建立与钢筋下病害探地雷达数据相对应的无钢筋病害探地雷达数据标签,数据集缺失的问题,提出了基于无监督学习的钢筋信号压制与病害重建方法,构建了基于生成对抗网络的钢筋信号压制模型,依托钢筋信号压制后需准确重建病害信号的任务要求,在模型中添加了具有不同功能的特征编码器,引入了对比损失和相似性损失,解决了重建病害信号位置、形状不准确的问题,通过对比实验与消融实验,检验了模型的压制效果,并通过沙箱模型试验验证了该方法在实际探地雷达数据上的适用性。（3）实际工程采集的探地雷达数据场景多样（不同数据形式、不同环境噪声、不同频率等）,难以对每种场景建立大量的标注数据集,导致不同场景下有钢筋数据病害分类准确率低。针对该问题,本文研究了基于元学习的钢筋下异常分类方法,以不同场景下极少量数据作为标准参考样本,提高了分类模型在不同场景数据下的分类准确率,通过在不同场景的数据上进行对比实验,检验了模型的性能。最后,形成了包括异常分类、钢筋压制和病害识别的钢筋下病害识别方法,实现了钢筋下病害的准确识别。