道路是城市基础建设、经济快速发展、社会不断进步的根本保障,及时有效的道路损伤检测工作不仅可以延长道路使用年限,还可以保障车辆安全畅行,维护人民生命财产安全,具有重大经济和社会效益。然而随着养护里程和车流量的不断增加,道路表面损伤检测任务越来越重,亟需一种智能、轻量化的道路损伤检测方法。为提高道路损伤检测的自动化水平,研究者们提出了基于深度学习的道路损伤检测方法,摆脱了人力劳动,在一定程度上提高了道路养护效率,为道路养护的数字化建设提供了理论支持,但是也遗留了一些未解决问题:（1）过于偏向理论类研究,数据集和实验部分过于理想化,未考虑到实际道路损伤检测中可能出现的各种因素影响;（2）实验环境的硬件设备普遍较高,在实际应用过程中养护部门可能无法实验所需的硬件条件,模型落地面临一定困难。针对于以上问题,本文结合计算机视觉的深度学习目标检测和模型轻量化方法进行技术研究,同时将相关技术进行软硬件系统集成,研发轻量化移动道路损伤检测原型系统,为道路养护提供依据,推动道路养护高质量发展。本文的主要研究内容如下:（1）针对道路损伤类型特点和实际检测过程中已存在水渍、油污等干扰的问题,在网络模型设计方面,本文构建了抗非目标对象干扰的损伤检测网络。该网络模型在编码网络中使用Ghost Conv模块对所提取的特征进行线性扩增,以丰富道路损伤的浅层特征信息,同时降低计算量;在解码网络中增加多注意力约束的特征融合机制,通过多层特征注意力约束和融合的方法,实现对特征图中损伤信息的聚焦。实验表明,该网络模型m AP达到了91.6%,且能够在水渍、油污、树荫等干扰下实现对损伤的准确检测。（2）针对深度学习网络模型在轻量化过程中精度衰减问题,本文提出了基于动态权重剪枝的道路损伤模型轻量化方法,保留低权重但具有重要信息的分支,同时将剪枝与微调一体化以提高压缩的精度和时间效率。实验表明本文所提出道路损伤轻量化方法参数量压缩了43.9%而精度仅损失损失4.6%,能够在保留精度的前提下实现对网络模型的大幅轻量化。（3）结合理论与技术研究内容,进行软硬件一体化集成,研制轻量化移动道路损伤原型系统,实现对损伤的自动化检测,同时对损伤信息进行定位,生成检测轨迹路线,并在检测结束后自动导出检测报告,为轻量化移动道路损伤检测算法的实际应用提供参考依据,单帧检测速度可达23.3ms,满足实时检测需求。