交通运输的快速发展获益于公路的高速建设,但随着运营时间的积累,公路路面会出现各种类型的病害,使得公路结构的强度和使用寿命受到影响,进而对公路交通运输带来较大的安全隐患。因此,快速、准确地识别公路路面病害,对公路路面病害的精准防治和保障交通出行的安全性、舒适性具有重要意义。传统的公路路面病害检测采用人工巡检的方式,这种方式易受主观因素的影响,并存在巡检周期长、效率低和反馈不及时等问题,且巡检人员的安全也无法得到保证。故本文开展了基于深度学习的公路路面病害检测方法研究工作,可以为实现对公路路面病害的高效、准确检测提供条件。本文的主要研究内容如下:1)对公路路面病害图像进行采集,使用多种数据增强方法对所采集的公路路面病害图像数据集进行扩充,然后对扩充数据集图像进行标注,建立了包含坑槽、网状裂缝、纵向裂缝和横向裂缝等4种常见公路路面病害的数据集。2)针对在实际检测场景中,公路路面病害存在尺度差异大、背景干扰多、病害形状各异和病害信息弱等问题,本文提出了基于改进YOLOv4的公路路面病害检测方法。该方法以YOLOv4为基础,首先,将可变形卷积引入到主干网络中;其次,对PANet网络进行改进,提出了基于PANet的自适应空间特征融合结构;最后,在网络训练过程中,采用AP-loss作为分类损失函数。通过实验验证,在公路路面病害检测过程中,改进YOLOv4算法在检测精度上与Faster R-CNN算法相当,但检测速度优于Faster R-CNN算法,可以实现对公路路面病害的准确、快速检测。3)由于常用的目标检测算法大多通过加深或加宽网络以获取更好的检测性能,导致模型体积较大,在移动设备上进行部署时,难以做到实时检测。为了在检测速度和检测精度之间取得一个较好的平衡,本文提出了基于注意力机制的轻量级公路路面病害检测方法。使用PP-LCNet作为主干网络,并将CA注意力机制引入到检测网络中,最后使用YOLO-Head进行路面病害的分类和回归操作。实验结果表明,在公路路面病害检测中,所提出算法的检测速度与YOLOv4-tiny算法相当,但检测精度优于YOLOv4-tiny算法,可以基于移动设备对公路路面病害进行快速、准确的检测。