传统的道路检测方式以人工巡检方式和搭载专业设备的车辆巡检方式为主,检测效率低下且成本昂贵。随着深度学习算法和计算机硬件性能的不断进步,利用计算机自动检测道路图像中异常状态的智能化检测方式的成本不断降低而性能不断提高,而且理论上可以具有与人类相媲美的检测精度。本文以道路中常见的坑槽、塌陷、落石以及裂缝四种异常状态的AI自动检测为研究对象,探索了基于深度学习算法的自动化检测技术,主要工作如下:（1）道路异常状态数据集构建。本文以道路航拍图像和车载摄像机拍摄图片为重点,从网络以及公共数据集中收集道路图像样本,对其进行分类整理和筛选,并按照PASCAL VOC格式进行人工标注,构建了具有4种类型共8428张用于道路异常状态检测的图像数据集。（2）基于目标检测的道路异常状态检测算法研究。本文对传统的Faster RCNN目标检测算法进行改进,使之在本文的道路异常状态检测应用场景具有更好的性能:首先,为提高网络的特征获取性能,利用具有残差映射作用且网络层数更深的Res Net50作为网络的特征获取部件;其次,针对小尺度样本检测困难的问题,本文以残差网络第2至第5个残差块的卷积特征为基础,构建多尺度特征融合金字塔网络FPN,增强模型对多尺度目标的识别能力;此外,针对RPN网络和检测网络在进行特征映射过程中存在量化取整导致目标定位误差较大的问题,使用ROI Align替换原网络的ROI池化层,降低模型的检测误差。（3）基于语义分割的道路异常状态分割算法研究。为进一步提高道路异常状态的识别精度,便于后续对图片中的异常状态进行量化评估,本文利用语义分割方法从像素层面对输入样本中的异常状态进行分割,并采用一种基于半监督学习策略进行分割的方法以减少制作像素级语义监督文件的成本。该方法将Deeplabv3+分割网络嵌入生成对抗网络框架内,并作为其中的生成器模型;同时利用生成器的分割输出概率图和带标注的数据共同训练判别器,以分割网络和判别器的对抗训练提高语义分割网络对道路异常状态的分割性能。