土石坝坝料级配为研究土石坝性能的基本参数,其合理性对坝体质量控制意义重大。当前,工程实践中的级配检测主要采用筛分法,通过随机取样与人工筛分计算级配数据,方法较为耗时且结果代表性不足。随着计算机技术的发展,图像识别技术已在各领域中广泛使用,为级配检测提供了新的手段。针对土石料图像,传统图像识别算法采用数学与拓扑学等方法对像素灰度值进行处理,其理论成熟但精度难以满足需求。深度学习图像识别算法通过神经网络提取图像标注区域的特征,其精度更高但模型复杂计算耗时。故一种基于图像的高效、准确的级配检测方法成为当前土石坝施工过程中的迫切需求。本文以土石坝填筑料为研究对象,通过现场采集与室内试验建立了土石料图像样本数据集,对比分析了基于灰度准则的传统图像识别方法以及基于深度学习的图像识别模型对土石料图像的处理效果。在对不同粒径范围土石料颗粒形状量化分析的基础上,研究了土石料二维轮廓特征与级配数据之间的转换关系。结合传统图像识别算法与深度学习数据分析模型建立了基于图像的土石料级配检测模型,并通过试验验证了模型的准确性。主要研究内容和成果如下:（1）本文针对土石料图像,对比了传统图像识别方法,最大类间方差阈值化算法与基于标记的分水岭算法的检测效果,确定了基于图像的土石料级配检测基本原理和流程。（2）建立了多状态下的土石料图像数据集,分析了基于深度学习的图像识别模型Mask R-CNN实例分割模型与U-Net语义分割模型对土石料图像的分割效果。（3）对多粒径范围内的土石料颗粒形态进行了量化分析,结果表明同料场同批次的土石料颗粒在形态特征上具有较高的相似性。在此基础上,通过二维形态分析与三维体积重建两种方法,建立了土石料颗粒轮廓与级配数据之间的转换关系模型,验证了基于颗粒二维形态特征实现级配检测的可行性。（4）结合最大类间方差阈值化算法与卷积神经网络,建立了土石料图像级配检测模型——深度阈值卷积模型（DO-CNN）,并设计搭建了基于图像的土石料级配快速检测系统样机,通过18组筛分试验表明,模型最大平均绝对百分比误差为2.45%,准确率较高,对5mm以下颗粒含量,模型检测精度同样较高。