探地雷达（GPR）是一种有用的地下探测技术，但由于需要专业人员处理和解释重合剖面，因此受到限制。使用机器学习模型可以使这一过程自动化，从而减少对专题专家处理和解释的需求。为了比较重合 GPR 剖面，研究了几种机器学习模型。根据文献综述，使用孪生卷积网络的连体孪生模型被确定为最佳选择。内部孪生模型测试了两种神经网络：ResNet50 和 MobileNetV2，前者历来具有更高的准确性，后者历来具有更快的处理时间。当在实验获得的 GPR 剖面图上训练和测试人工添加的变化时，ResNet50 的准确率更高。得益于更高的准确度，ResNet50 所需的计算处理时间更短，仅需 107 秒即可完成预测，而 MobileNetV2 则需要 223 秒。还建议用实验产生的变化进一步测试连体孪生模型，以验证变化检测模型的准确性不仅仅针对合成变化。