Dirigido a los problemas de alto costo laboral, baja eficiencia de detección e insuficiente precisión de detección de los métodos tradicionales de detección de enfermedades en galerías de tuberías, este documento propone un modelo de segmentación de enfermedades en galerías de tuberías, PipeU-NetX, basado en tecnología de aprendizaje profundo. Al introducir el innovador módulo de muestreo descendente MD-U, el módulo de muestreo ascendente SC-U y el módulo de fusión de características FFM, el modelo optimiza el proceso de extracción y fusión de características, reduce la pérdida de información de características y realiza la segmentación precisa de la imagen de enfermedades en galerías de tuberías. En comparación con los modelos U-Net, FCN y Deeplabv3+, PipeU-NetX logró los mejores PA, MPA, FWIoU y MIoU, que fueron del 99.15%, 92.66%, 98.34% y 87.63%, respectivamente. En comparación con el modelo de referencia U-Net, el MIoU y MPA del modelo PipeU-NetX aumentaron en un 4.64% y un 3.92%, respectivamente, y el número de parámetros disminuyó en un 23.71%. La velocidad de detección aumentó en un 22.1%. El modelo PipeU-NetX propuesto en este documento muestra la poderosa capacidad de extracción de características a múltiples escalas y reconocimiento adaptativo de áreas defectuosas, y proporciona una solución efectiva para la monitorización inteligente del entorno de galerías de tuberías y la segmentación precisa de enfermedades.