随着我国基础设施建设的推进,公路网络分布愈发稠密,对于道路的保养和维护成为保持公路网络健康且持久运转的关键,而道路病害识别对于道路保养至关重要。目前,道路病害的识别任务主要依靠人工完成,不仅效率低下,而且其识别准确率大大依赖于作业工人的熟练程度。由于人力、物力资源有限,对不同类别的道路病害处理方式当有轻重缓急之分,被识别为严重类别的道路病害应当被赋予最高的处理优先级,因而自动识别道路病害对降低人工识别过程中的成本与误差具有重大意义。针对上述问题,本篇文章提出了一个基于端到端的深度学习方法用于自动化道路病害识别,并把它命名为“基于弱监督学习与图像金字塔的图块标签推断网络”（Weakly Supervised Patch Label Inference Network with Image Pyramid,WSPLIN-IP）。本文的主要工作内容如下:（1）提出基于Res Net与Efficient Net的道路病害识别方法,利用现有先进深度卷积神经网络模型解决道路病害自动识别问题,并通过大量实验分析比对多个经典卷积神经网络模型在道路病害识别任务上的性能表现,实验结果表明Efficient Net方法相较于其他卷积神经网络模型具有更好的道路病害识别能力,同时也验证了深度学习方法相较于浅层学习的先进性与优越性。（2）针对基于卷积神经网络的道路病害识别模型无法充分利用高清道路图像像素信息的问题,在前面工作基础上,提出了基于弱监督学习与图像金字塔的图块标签推断网络模型（WSPLIN-IP）。该方法把图像进行分块,并设计一种弱监督学习模式训练卷积神经网络利用图像标签对图块标签进行推断学习,从而规避基于卷积神经网络的方法缩放输入图像造成的像素信息损失。此外,WSPLIN-IP还在图像分块过程中引入图像金字塔,从而在学习过程充分利用图像的尺度信息。（3）在大型沥青道路病害数据集CQU-BPDD数据集上系统地比对了包括传统浅层学习方法与深度学习相关方法在内的多种方法和WSPLIN-IP方法的性能,通过对实验结果的分析,验证了该方法具有更佳的有效性和优越性,同时通过弱监督学习的方法定位出道路图片中出现病害的大致区域,提升模型的可解释性。此外本文设计并实现了基于弱监督学习与图像金字塔道路的病害识别原型系统。