随着中国交通体系快速发展和完善,道路养护问题也日益凸显。路面裂缝作为路面病害的主要表现形式,实现快速高效的智能化识别,有助于推动国家智能化路面质量管理的发展,为建设智能化交通奠定了基础。当前,路面病害检测主要依赖于传统的人工检测,当面对于海量的路面病害检测时,表现出主观性强、漏检和错检、检测效率低等缺点。由于路面裂缝的多样性特点及路面环境的复杂性,也使得传统的图像处理技术识别难度大且识别准确率低。针对于以上问题,论文以路面病害图像为研究对象,研究了特征约简的深度学习模型和基于迁移学习的卷积神经网络实现了路面裂缝的自动准确识别。本文的主要研究工作如下:（1）针对于道路环境复杂性、多尺度性和多样性特点、及路面病害图像所含信息丰富,完备的路面裂缝特征难以表征问题,研究了多种特征提取方法包括纹理描述、图像外部特征描述、主成分分析描述以及小波奇异值分解描述。根据获得的特征量建立了表征路面裂缝的特征集。（2）针对于路面裂缝高维特征存在的冗余或无关特征属性,研究了Relief F和NCA算法将高维特征集中无关或冗余的特征属性进行剔除,保留对预测结果较敏感的特征量。分析了采用流形学习t SNE将原始特征映射到低维的数据空间,找到高维空间的低维流形结构,实现特征约简。（3）针对于大多数机器学习模型不能自学习有效的特征信息,且准确率不高问题,研究了深度学习模型识别方法。探讨了DSAE、DBN和ML-ELM深度学习模型搭建及网络参数设置。根据建立的模型评估指标,对比分析了基于特征约简的深度模型的识别性能,完成了路面病害识别模型的性能评估。根据实验结果显示,NCA+ML-ELM模型组合对路面裂缝的识别更准确,效率更高,其正确率达到了99.95%。（4）针对于目标数据集规模小,路面裂缝特征信息难以完备表征及单独的卷积神经网络训练难问题,研究了基于迁移学习的卷积神经网络实现了路面裂缝的自动识别。探讨了在大数据下训练获得VGG-19、Inception-V4和Res Net 152预训练模型,将其选择性的迁移部分参数和全部参数到目标数据集。研究了多种优化算法下训练的卷积神经网络实现路面裂缝自动识别,解决了小规模目标数据集在单纯的卷积神经网络训练时间长和调参难问题,提高了预训练卷积神经网络在目标数据集上的准确率。根据实验结果显示,在训练策略一下,采用优化器Adagrad或Rmsprop,VGG-19和Res Net 152的识别正确率能够达到100%。