探地雷达（GPR）作为一种无损探测方法，常用于检测隧道衬砌内部的缺陷。但是，衬砌内部双层钢筋网会在GPR检测时产生强烈的杂波干扰，导致GPR的B-Scan图像缺陷特征不明显。为了提高检测精确度，我们提出一种基于改进YOLOv8模型的从全局到局部的二次识别方法，该方法可以有效地识别GPR图像内存在密布钢筋杂波干扰的缺陷特征信息（如位置和形状）。我们制作了全局GPR图像和局部GPR图像两份数据集，然后对原始YOLOv8结构添加注意力机制。利用迁移学习使用预训练权重后，训练两份数据集得到两个模型。利用两个模型对正演模拟与实际检测得到的GPR图像进行识别。结果表明，改进后的YOLOv8结构可以使平均精确率（mAP）从0.673提升至0.736。此外，通过不同工况的正演模拟GPR图像对比，我们得到钢筋间距在0.3-0.5m时模型识别效果最佳，二次识别置信度为0.91；钢筋-缺陷距离在1.05m时模型识别效果最佳，二次识别置信度为0.92，且模型拥有识别不同缺陷形状的能力。通过与前人研究对比，该方法在训练成本降低前提下，达到较高精度，并且在识别工程实际GPR图像时，置信度从0.37提升到0.73，对衬砌内部缺陷的检测与自动识别有重大帮助。

改进YOLOv8模型;注意力机制;迁移学习;钢筋干扰;探地雷达;空洞检测;钢筋间距;钢筋-缺陷距离;空洞形状