随着经济的快速发展和人们生活水平的提高,公路客货运量大大增加,而道路一旦出现各种病害,将降低其使用安全性,并影响道路交通安全,因此需要实时检测路面病害。传统的道路破损检测大多都是手动执行的,然而随着道路网络和交通流量的不断增加,这种耗时的方法不再实用,此外手动检测也受到决策主观性的严重影响。相比之下,经过严格设计和验证的半自动化和自动化路面检测系统能够准确、快速的检测路面病害并消除主观性影响。然而,由于照明条件、道路纹理和其他环境条件复杂多变,半自动化和自动化检测算法在准确性和实时性方面尚未取得很大成功,路面破损检测仍然是一个非常有挑战的任务。本文针对实际路面破损检测的准确性和实时性要求,对基于深度学习的路面破损检测算法进行深入研究。本文主要的工作如下:(1)目前路面破损检测大多都是针对裂缝类或松散类(坑槽)研究,从实际应用来看,由于没有覆盖所有的破损类型,道路管理者很难将这些研究直接应用于实际。因此本文在大量收集和采集数据的基础上增加现有路面破损检测的识别类型,使用Faster R-CNN算法对8类常见路面破损进行检测识别。(2)针对路面破损检测任务,对Faster R-CNN算法的RPN网络进行优化,通过优化区域抽样,保留小的候选区域等提高检测精度,同时在优化的基础上,通过实验得出最优适用参数。(3)针对实际检测中的实时性要求,分析模型的计算量,通过将通道剪枝和低阶因子分解相结合的方法对特征网络VGG-16进行模型压缩实现加速,并在检测精度不下降的情况下提高检测效率。(4)设计并实现与多功能路面检测车相结合的路面破损检测软件系统。软件系统包括对实时视频、本地图片、数据统计和查询模块以及交互界面的设计与实现,并在此基础上完成软件系统的最终开发和调试。