裂缝是沥青路面的常见病害,影响行车的安全性和舒适性。及时地发现和修补裂缝可以保证路面的长期使用性能,并能节省维修预算。因此,及时准确地获取裂缝信息在路面养护中具有重要意义。卷积神经网络（CNN）已被证明是计算机视觉领域中最先进的技术。但将CNN用于路面裂缝识别仍是一项具有挑战性的任务,因为裂缝像素与非裂缝像素在数量上的不平衡问题与类裂缝噪声问题对CNN的性能造成了严重影响。针对以上两个关键问题,本文分别提出了一种编码器—解码器网络（EDNet）与基于策略梯度的编码器—解码器网络（EDNet—PG）,EDNet解决了裂缝像素与非裂缝像素在数量上的不平衡问题,EDNet—PG缓解了类裂缝噪声问题,从而提高了细小裂缝的识别率。此外,目前基于CNN的路面裂缝识别算法需要大量人力成本去校准裂缝标签图像,对此本文提出了基于弱监督学习的U-Net,该网络直接将传统裂缝识别算法生成的结果作为弱裂缝标签图像,降低了校准裂缝标签图像所需要的人力成本。本文提高了裂缝识别算法的精度,推动了裂缝检测行业的发展,具体开展了以下的研究工作:（1）本文介绍了如何通过常用的图像处理技术和传统的裂缝识别算法初步得到卷积神经网络训练所需要的裂缝标签图像。在图像预处理技术中介绍了如何用平滑算法对路面图像进行降噪,以及使用图像对比度自动提升算法提高裂缝对比度。分别介绍了两种传统裂缝识别算法,它们分别是匹配滤波算法和三维光影模型。在图像后处理技术中阐述了如何使用匹配滤波算法与连通域分析对裂缝的连续性进行提升以及对图像进行降噪处理。（2）本文基于现有的卷积神经网络研究成果,介绍了卷积神经网络的相关理论。针对网络的前向传播过程,介绍了卷积层、反卷积层与上采样层、池化层、批标准化层、激活函数以及跳连接的算法原理。针对网络的训练方法,介绍了几种代价函数的定义方式,以及它们的优缺点。在介绍网络如何进行反向传播时,详细阐述了网络如何利用反向自动微分算法进行参数的梯度计算,最后对几种常见的优化器是如何对参数进行更新的进行了介绍。此类容为本文所提出的编码器-解码器网络（EDNet）、基于策略梯度的编码器-解码器网络（EDNet—PG）、基于弱监督学习的U-Net奠定了理论基础。（3）本文提出了一种用于路面裂缝识别的编码器-解码器网络（EDNet）,EDNet很好的克服了裂缝像素和非裂缝像素数量的不平衡问题,从而拥有了优秀的性能。对于150张3D测试图像,EDNet的总精度达到97.36%,召回率达到98.24%,F1分数达到97.80%。对于46张2D测试图像,EDNet的总体精度为96.15%,召回率为99.56%,F1分数为97.82%。对比试验证明EDNet的性能优于其他算法。由于EDNet的结构简单,其具有较快的运行速度,从而加快了裂缝检测系统的速度。（4）本文提出了一种采用策略梯度技术来减少网络中的假阴性误差的方法。利用策略梯度进一步对EDNet进行了仅为1个周期的训练。训练后的网络被命名为EDNet-PG。相比于EDNet,EDNet-PG牺牲了一定的精度（在验证图像上不低于95%）,但其有更高的召回率。较高的召回率意味着EDNet-PG对细小裂缝更加敏感,从而产生更少的假阴性错误。训练后的EDNet-PG在150张3D测试图像上的总精度为95.27%,召回率为99.19%,F1分数为97.19%。EDNet-PG大大降低了EDNet中的假阴性错误,且抗噪能力没有被削弱太多。因此,EDNet-PG进一步提升了EDNet的性能。（5）本文提出了一种使用策略梯度实现卷积神经网络的弱监督学习技术,用于路面裂缝识别。该技术直接使用传统的裂缝识别算法的识别结果作为弱裂缝标签图像,训练集的弱裂缝标签图像无需任何人为校准,从而降低了校准裂缝标签图像所需要的人力成本。通过制定网络梯度的奖惩规则,设计了网络代价函数,使网络取得了良好的性能以及检测结果。训练后的U-Net在150张测试图像的总精度为94.06%,召回率为96.64%,F1分数为95.33%。对比试验表明,其性能优于匹配滤波算法与三维光影算法。由于该技术的发展还在初步阶段,被训练的U-Net的性能与EDNet和EDNet-PG还存在一定差距。