近三十年来,我国的高速公路建设获得了飞速发展。随着公路运营时间越来越长,重载、雨水、温度等外部因素会导致裂缝、坑槽、沉陷等表面病害和不密实、层间脱空、松散等隐伏病害发生。目前,我国高速公路已从“建设为主”逐渐转变为“建养为主、养护为主”。为了提高公路养护决策能力,保证交通安全,对公路病害,特别是隐伏病害的高效、高精度检测成为了当前亟待解决的关键问题。隐伏病害检测方法主要分为钻芯取样和无损检测两大类。钻芯取样检测具有破坏性、效率低和不能全面评估公路结构等缺点,因此无损检测已经成为了高速公路隐伏病害检测的主流方法。在无损检测方法中,由于探地雷达具有高效、抗干扰性强等优点并且能获得连续、高分辨率的图像,因此其在高速公路隐伏病害检测中得到了广泛的应用。探地雷达在高速公路隐伏病害检测中的应用瓶颈主要表现在解释阶段。当前,主要由解释人员对处理后的雷达图像进行解释以识别出不同的病害类型和位置,但是雷达图像的数据量巨大,人工解释效率低、解释精度稳定性不高（主要依赖于解释人员的经验）、成本较高,为此研究高效和高稳定性的智能解释技术具有重要的应用价值。公路雷达图像智能解释技术研究的关键是路面隐伏病害的智能检测方法。深度卷积神经网络能模拟人的视觉特性,可以提取不同尺度的图像特征,因此在计算机视觉中获得了广泛的应用。本文在分析雷达图像特征的基础上设计了相应的深度卷积神经网络结构,实现了路面隐伏病害的智能检测方法。具体来说,本文主要研究内容如下:（1）结合公路的雷达图像、波形图以及岩芯图,确定主要隐伏病害类型（孔隙多、层间脱空、层间松散和结构松散）,同时分析这些隐伏病害类型的探地雷达响应特性。（2）采用时域有限差分法模拟公路隐伏病害的雷达响应,确定不同病害类型的图像特征,然后结合实测数据与模拟数据构建隐伏病害雷达图谱库。同时,实测雷达图像中隐伏病害被背景信息压制,导致隐伏病害不易区分,为此本文在分析雷达数据特性的基础上总结出一套公路雷达数据处理方案以凸显病害特征。（3）提出一种基于特征融合的公路隐伏病害智能检测方法。由于公路隐伏病害形态各异且属于小目标,本文基于特征金字塔思想,将高层特征的丰富语义信息和低层特征的细节信息融合,融合后的特征用于公路隐伏病害的识别与定位。实验结果表明,与VGG（Visual Geometry Group）网络结构和Res Net50（Residual network）网络结构相比,基于特征融合的隐伏病害检测方法具有较高的检测精度,其中,层间脱空的AP（Average Precison）值由63.2%（VGG）、72.1%（Res Net50）提升至92.2%,孔隙多的AP值由54.6%（VGG）、57.3%（Res Net50）提升至86.6%,层间松散的AP值由43.2%（VGG）、48.6%（Res Net50）提升至79.4%,结构松散的AP值由38.8%（VGG）、42.6%（Res Net50）提升至76.9%,m AP（mean Average Precision）值由50.0%（VGG）、55.2%（Res Net50）提升至83.8%。（4）提出一种基于改进YOLOv3（You Only Look Once v3）的公路隐伏病害智能检测方法。基于特征融合的隐伏病害检测方法属于二阶段检测,与一阶段检测方法相比,检测速度相对较低。对于在检测效率上有较高要求的工程应用,检测速度就显得及其重要。为此,本文对YOLOv3方法进行研究并对特征提取网络和检测层进行优化,同时对模型中的Anchor尺寸大小作出修改。实验结果表明,相比原始YOLOv3检测方法,改进YOLOv3的隐伏病害检测方法m AP值由69.6%提升至76.6%;与二阶段基于特征融合的隐伏病害检测方法相比,尽管m AP值由83.8%下降至76.6%,但FPS（Frames Per Second）提升了4.35倍。