Las grietas son uno de los principales tipos de defectos en el revestimiento de túneles. En la actualidad, no existen métodos especialmente buenos para identificar las grietas en el revestimiento de túneles. Los métodos utilizados están asociados con problemas como la poca robustez, la baja eficiencia de detección y la inconsistencia en la identificación de defectos. Los algoritmos de identificación de grietas basados en visión que utilizan imágenes de grietas en el revestimiento de túneles también se ven afectados por problemas como características débiles, formas irregulares, desarrollo aleatorio y proporciones pequeñas. En vista de esto, proponemos en este documento una red neuronal que integra las características de la estructura piramidal U-net y FPN (feature pyramid network). Debido a su capacidad para producir información de características profundas, se integró un mecanismo de atención SK (selective kernel) para aumentar el peso de las regiones de características efectivas y mejorar la precisión de detección de mapas de características. Se utilizó una red de detección regional RPN (region proposal network) para un cribado regional a varias escalas, y se utilizó la supresión de no máximos para eliminar marcos de anclaje repetidos entre diferentes regiones. La continuidad de las grietas se determinó utilizando una expansión regional adaptativa. La red de segmentación de regiones también se combinó con mapas de características a varias escalas. Finalmente, los resultados de segmentación para regiones de características finas se pudieron mapear a toda la imagen para identificar grietas, resolviendo así el problema que surge cuando las características texturales de las grietas son débiles y no se pueden identificar con precisión. Para fines de prueba, se utilizaron fotos de defectos de grietas en el revestimiento de túneles. El algoritmo descrito en este documento pudo combinar características profundas y superficiales para identificar características de grietas más abundantes, y la precisión de reconocimiento de la red de clasificación de grietas alcanzó el 98.51%. En cuanto a la segmentación de grietas, la precisión de segmentación del algoritmo alcanzó el 94.55%, y su tiempo de procesamiento único alcanzó los 60.76 ms, lo que indica un rendimiento de segmentación más preciso y eficiente en comparación con las FCNs (fully convolutional networks) y las redes U-net clásicas.