随着我国公路规模的扩大和交通运输量的上升,路面破损现象日益严重,如何对路面破损进行快速并准确的识别成为近年来重要的研究内容。本文主要针对路面破损,利用YOLOv5算法对如何提高识别精度和识别速度进行了研究。对路面破损的类型特点及成因通过实地考察进行了分析,利用深度学习和卷积神经网络基本结构进行了研究;分析了基于卷积神经网络的目标检测算法以及目标检测相关理论。本文中,首先,对路面破损实测图像数据进行亮度变换、裁取等预处理操作。其次,在YOLOv5s主干网络中对CSP模块进行优化,去除原模块支路上的卷积层,并在特征融合后加入Mish激活函数,减少参数量。在此基础上,本文在整个网络结构中分别引入SE和CBAM两种注意力机制,并进行实验来证明注意力机制对模型的影响。为使模型能够有效利用输入特征图的特征信息,本文在回归预测阶段,采用目标框加权融合（WBF）来替代非极大值抑制（NMS）对目标框进行筛选,并进行实验。最后研究损失函数对模型检测效果的关联性,本文在优化和改进的模型中分别采用Focal loss损失函数与原有的二分类交叉熵分类损失函数进行实验。实验结果表明,引入SE和CBAM注意力机制后的模型在实测数据集Made上的m AP值分别为89.4%、92%、93.7%。在YOLOv5s中使用WBF前后在实测数据集上的m AP值分别为90.2%,91.1%。在损失函数中使用Focal loss和二分类交叉熵分类损失函数的m AP值为94.4%和94.7%。最后,将本文模型YOLOv5s＿imp与YOLOv5s在实测数据集Made上进行实验,其m AP值分别为90.2%、94.7%,表明本文方法在实验中的有效性。在公共数据集RDD2020上与其他的模型进行实验,在两个测试集上的Precision、Recall、F1 score以及FPS分别为62.7%、61.3%、61.9%、75.4和61.2%、60.3%、60.7%、73.4。