近年来,我国的交通运输业成为了发展较快的行业之一,成为了构成国家经济中的一个核心部分。交通基础设备建设关联了社会中的各种环节,对城市以及国家的经济增长起着关键作用。全覆盖的建设高速网络,可连接部分人口较少的城市,提升居民出行便利性,支撑新型城镇化发展。据相关部门的规划,在十三五结束时,我国的道路可以行车的总公里数将实现15万公里的突破,至2020年,我国在城市建成区已经拥有超过每平方公里8公里的平均道路网密度,城市道路面积覆盖率达到15%。我国道路的总公里数还在持续上升,公路等级要求越来越高,对道路路面进行定期的检测与养护对我国交通运输业的发展具有重要意义。基于图像的道路裂缝检测技术以其检测速度快、方法便捷和自动化程度高等优点,将逐渐取代传统人工检测手段并成为主流测量方法。但是目前基于图像检测的硬件系统和软件算法上均存在局限,无法较好实现在实际运用中的要求。目标检测和语义分割都成为了计算机视觉领域的关键性问题,目标检测主要关注的是图像中需要识别的物体,并指出物体所在地点和尺寸框图,而语义分割是指机器自动识别图像,在图像的像素层面对物体目标实现分类,为物体提供类别、位置和形态信息,在自动驾驶、遥感图像处理、医疗诊断和时尚搭配等方面都有十分优秀的应用价值,所以语义分割的发展影响了社会活动中各个项目的发展。基于此,针对原始人工检测方法的诸多缺陷,结合现有机器视觉系统、数字图像处理算法和深度学习技术的研究现状,本文完成了以下研究内容:首先,基于目标检测原理,以DSSD（Deconvolutional Single Shot Detector）模型为架构,研究了一种能够进行道路表面损伤检测的网络结构。模型使用有很高识别精度的Res Net101作为DSSD模型的基础网络,在其中添加了注意力机制,采用通道域注意力和空间域注意力结合的方式,实现在通道角度上对特征添加权重与空间角度上对特征集中汇总,提升了对小目标道路裂缝的检测效果。同时,为了减少简单数据的比例,增大难分类数据的比例,使用Focal loss来提高整体的检测效果,更有利于裂缝的检测工作。然后,根据目标检测得到的结果,将图片中各种类型裂缝的框图截取出来,使用labelme工具对每个框图中的裂缝进行标注,标注内容包括裂缝的类型和形状,制造出应用于语义分割的数据样本。最后,本文研究了一个对抗网络应用在对图片中的物体进行分割,将得到的分割图像根据裁剪时的坐标重新拼接回整幅图像,实现对整幅图像的语义分割。通过使用对抗神经网络,有效提高了语义分割在对小目标分割时的精确度,进而改善了算法在图像分割中的分割效果。