渗流理论在建筑、水利、环保、化工、地质、生物等多领域都有较为广泛的运用,它能够为开发水资源提供依据,能指导大坝的修建,也能防止建筑物地基发生渗透变形。以建筑行业为例,几乎所有的建筑活动都伴随着渗流的参与,其每年因渗流事故产生的人身、经济损失难以估量。目前业界多采用声呐技术探测天然流场的地下隐蔽工程的渗漏缺陷。在生产环境中,该技术要求对不同类型的声呐渗流数据进行分类,并且由于渗流数据情况多变、数据量较大,现有的人工分类方法已不能满足实时分类的需要,因此有必要借助计算机技术对渗流波形进行分析。基于此,本文讨论了大规模声呐数据的智能渗流分析技术,对大规模的声呐数据进行分析,挖掘不同声呐渗流表现形式背后的潜在规律。本文的主要工作有:1、提出了一种名为SWCD（Sonar Waveform Classification based on Deep GBM）的声呐数据分类模型。该模型能够根据声呐渗流样本集的大小及对训练时间的实际要求灵活选取不同的特征提取方法,从而训练出效果良好的声呐分类器。该模型首先从声呐波形中提取出36维数据,之后采用不同的降维方法形成SWCD-R、SWCD-P、SWCD-G三个子模型,最后通过Deep GBM模型对声呐数据进行分类,将不同的声呐波形与噪声区别开,以达到筛选声呐数据的目的。2、提出了一种名为MSDCL（Mass Sonar Data Classification based on Light GBM）的模型。该模型基于Spark框架,作用是在分布式环境下以较快的速度对海量渗流波形文件进行分类与数据挖掘。该模型首先在SWCD特征提取的基础上通过Relief F等算法继续降维,之后采用基于Spark的分布式Light GBM模型进行数据分类,最后采用决策树对存储在HDFS中的海量数据进行数据挖掘。3、实现了一个面向大规模声呐数据的智能渗流分析平台,平台包括了用户管理模块、声呐数据管理模块、声呐波形分析模块、声呐去噪模块与声呐数据挖掘模块在内的五个模块。该平台集成了上述SWCD分类模型与MSDCL分布式分析模型,降低了渗流分析成本,提高了渗流分析速度,规范了渗流分析流程,是能够满足渗流分析工程人员日常使用的一站式渗流分析平台。