利用传统图像处理方法进行路面裂缝识别需要进行大量的图像预处理工作,效率低下,由于路面图像的多纹理性、多目标性、弱信号性以及背景复杂性,使得其识别精度不高。针对这些问题,本文在国内外的研究基础上,提出了一种基于深度学习多模型融合的路面裂缝识别算法。该算法将多个神经网络进行模型融合,实现了裂缝图像的准确分类。本文主要研究工作如下:(1)对路面裂缝识别的难点进行分析,有针对性的建立数据集,将大量的具有复杂背景的裂缝图像包含在数据集中,以提高算法的实用性。为增加数据量、提高模型鲁棒性,采用实时的数据增强方法。(2)使用经典的神经网络模型LeNet-5、AlexNet、VGGNet16在裂缝数据集上进行实验,并且分别提出了改进策略。对实验结果进行分析,得出模型复杂度低于裂缝图像训练集的结论,需要进一步增加网络层次,以取得更好的识别效果。(3)对利用残差网络ResNet34和ResNet50进行实验时出现的过拟合现象进行深入分析,提出一种新的残差块改进方法,在残差块中加入Dropout并且将批量归一化(Batch normalization)和ReLU激活函数放在卷积层之前,实验结果表明该方法有效的降低了网络过拟合。之后降低网络深度,使用在宽度上有所增加的Inception V3模型,该模型的参数数量只有ResNet50的1/150左右,训练速度快,泛化能力强,在取得了很好的识别率。(4)对之前进行的大量实验进行对比分析,提出一种多模型融合的路面裂缝识别算法。在ResNet34、ResNet50、Inception V3的基础上设计融合模型的网络结构和算法实现流程,在实验中取得了高于单一模型的识别效果。证明通过多个不同模型处理数据然后再进入全连接层之前将数据组合,可以降低模型方差,不同模型具有不一样的复杂度,组合到一起能更好的抽取图像的泛化特征。