随着城市化进程的快速发展,城市不透水面积飞速增长,严重影响了城市行洪以及地下水的补给能力。透水路面由于其同时具备交通与透水两种属性从而被愈来愈多地应用于城市路面的建设之中。透水路面依赖其内部存在大量相互连通的孔隙而得以具备透水能力,堵塞物质的积累会严重影响透水路面的使用寿命。因此透水路面的养护方法的选择对于延长透水路面的使用寿命至关重要,而透水路面堵塞程度的分类对透水路面养护方法的确定具有重要意义。渗透性测试是确定透水路面堵塞程度最常用的方法,然而巨大的用水量、顽固的密封材料以及繁重的工作量制约了该方法的效率和普及程度。为了解决传统渗透性测试存在的诸多缺陷,本研究提出了一种基于深度学习的透水路面堵塞等级自动判定方法,该方法具有对道路无损、工作效率高以及适用范围广等优点。研究者在济南全场4500 m的透水路面上收集了共1 100张原始照片。经过数据增强和图像处理后,本论文建立了共包含35170张图片的独有数据集。为了选取最优网络,本研究采用识别准确率、Macro-Flscore与Flscore基于相同的数据集对五种不同的卷积神经网络（Convolutional Neural Networks,CNNs）模型进行比较,五种模型分别为ResNet-10,ResNet-12,ResNet-14,ResNet-16 和 ResNet-18。最终结果显示,在基于堵塞等级的四分类条件下,ResNet-12凭借98.638%的训练集准确率,86.001%的验证集准确率,84.047%的Macro-Flscore得分和84.060%的识别准确率成为表现最好的模型;在基于养护策略的二分类条件下,ResNet-12凭借89.476%的识别准确率和89.728%的Flscore得分再次成为五个模型中表现最好的模型。为了进一步比较五种模型的泛化能力和鲁棒性,本论文选取浙江省绍兴市内铺设的透水路面进行测试,ResNet-12以80.338%的识别准确率表现最佳,证明该模型已初步具备实际应用价值。本研究研发的透水路面堵塞等级自动判定方法算法证明图像识别可以作为堵塞等级判定的一种可选方法,该方法克服了传统方法的一系列缺点,加速了识别效率。以研发的透水路面堵塞等级自动判定方法算法为核心,本研究搭建了基于堵塞等级的清洁功率自动调节系统,并对透水路面清扫车进行升级改造,使透水路面清扫车具备根据路面堵塞等级的不同智能调节清洁功率的能力。升级改造后的全自动透水路面清扫车可以在保证清洁效果的前提下最大化减少能源消耗,真正实现透水路面的“智能清扫”。