路面在频繁的使用过程中受到自然因素或人为因素的影响下,会逐渐产生各种程度的缺陷（例如裂缝、坑槽等）,这些路面缺陷如果得不到及时修复,会影响到车辆行驶的平稳性和安全性,甚至可能导致交通事故的发生。通过使用路面缺陷检测技术,可以及时识别道路表面的缺陷,以便及时地采取相应的维修措施。传统的路面缺陷自动化检测技术由于检测速度慢或检测精度低等缺点无法对路面缺陷进行有效检测。随着近些年深度学习在计算机视觉领域的出色表现,基于深度学习的路面缺陷检测技术也得到了快速发展。但在路面缺陷检测任务中仍存在检测精度较低的问题,尤其是在复杂路面条件下:路面缺陷形态复杂,大小不一,在受到光照、雨雪等自然天气的影响下,使得检测难度增大。本文在分析了相关文献的基础上,对基于深度学习的路面缺陷检测算法进行了深入的研究,主要的研究内容如下:（1）为了提升YOLOv5在路面缺陷检测中的检测精度,首先,针对路面缺陷正负样本不平衡问题,对YOLOv5的正样本选择区域进行扩大,获取更多在网络训练过程中对梯度有所增益的正样本。其次,在YOLOv5中使用新的损失函数SIo U,减少了训练过程中预测框游走的可能性,在提升精度的同时对于网络在路面缺陷数据集中进行训练时,其收敛速度也有所提高。最后,为了进一步加强网络捕捉路面缺陷特征的能力,引入CBAM注意力机制,并增强CBAM注意力机制的空间信息捕捉能力,即使用3个串行的5?5卷积核来捕捉更多的路面缺陷特征信息,进一步提高了YOLOv5的检测精度。（2）针对路面缺陷检测中的裂缝检测效果不佳的问题,在研究工作（1）的基础上中使用更大的卷积核,更大的卷积核具有更大的感受野,能更好的捕捉裂缝的形状和边缘等细节特征。通过使用一种大卷积核结构,提高大卷积核的性能。首先在大卷积核使用结构重参数化,在保证模型检测速度的同时提高模型的检测精度。其次使用深度可分离卷积来减少大卷积核带来的网络参数的数量。此外,在自建的路面缺陷检测数据集上与其他算法进行了实验验证,本文所提出的路面缺陷检测模型在路面缺陷检测任务中有更好的鲁棒性。（3）通过对YOLOv5在路面缺陷检测中的研究,实现了一个路面缺陷检测系统的开发,系统主要实现在浏览器对路面缺陷进行检测和检测结果的存储。本文对YOLOv5进行了一系列研究,通过在RDD2020数据集上进行实验验证所提出的改进是有效的。最终,本文提出的模型相对于YOLOv5的m AP提高了3.2%,鲁棒性也相对较好。此外,在这一研究基础上实现了一个路面缺陷检测系统。