近年来,随着交通运输行业发展、公路里程不断提升,对于公路养护的要求也不断提高。设计一种能大范围应用的快速而准确的公路病害识别方法成了公路养护工作中极为迫切的需求。传统的公路病害自动化识别算法大多存在识别速度慢、准确度低、鲁棒性差等问题。本文针对这些问题,结合卷积神经网络方法在图像识别领域的优势,提出了一种基于多通道卷积神经网络的公路病害识别算法。卷积神经网络末端通常使用全相连层整合局部特征,获取图像高层特征;而本文中卷积神经网络用于提取公路图像中的局部边缘信息,将卷积网络的末端进行微调以适应问题场景的需求。传统方法中对识别窗口进行切割分块,导致识别视野受限,易出现突发性误识别;本算法针对这种缺陷,使用整体缩放的方法获得识别窗口特征,扩大了识别视野,有效利用了窗口周边的像素信息,良好地还原了病害在公路图像中的延展特性。现有方法中大多使用相对固定的方法进行特征提取,而公路病害特征实际非常复杂,使用单一方法识别多种特殊病害区域时往往准确度不高;针对这一问题,本算法使用了双网络结构,用一个单独的网络对特殊病害区域进行增强。针对实际识别过程中部分病害特征不明显,算法识别效果不佳的问题,本算法使用了双通道结构,对原始灰度图像进行二值分割,使得病害区域更易被提取。本文组织了大量数据对提出的算法进行训练和识别。实验结果表明,本算法识别准确率明显高于传统方法,尤其是对于各种特殊病害识别效果良好。通过对照实验,验证了本算法的几处创新改进都起到了提升识别效果的作用。实验证明,本算法识别准确率已接近人眼识别的水平。识别速度也可以满足自动驾驶场景中的要求,对于公路病害自动化识别技术和自动驾驶技术的进一步发展具有积极的意义。