随着高速公路上交通流量日益增大,以及一些违规超载车辆的存在,使得许多高速公路上开始出现各种路面病害,传统的基于人工的路面病害识别已经远远不能满足大量高速公路养护的需求,基于三维激光成像的检测车实现全自动高速公路路面信息采集以及基于深度学习和计算机视觉的目标检测算法为高速公路路面病害全自动快速采集和识别提供了新的解决方案和思路。鉴于此,本文对高速公路路面三维信息感知系统以及基于深度学习目标检测的高速公路路面病害识别算法进行了研究。首先,构建了高速公路路面三维信息感知系统方案,设计了高速公路路面三维信息高速采集与存储软件系统、协同控制系统,并完成了分体式3D相机参数设置和图像数据采集流程的设计。其次,研究了基于改进Faster R-CNN的高速公路路面病害识别方法。在分析Faster R-CNN模型的整体框架结构的基础上,构建了改进特征提取网络的Faster R-CNN模型,并基于构建的东南大学高速公路路面病害三维图像集开展了实验研究,实验结果表明以Resnet50-FPN为特征提取网络模型的高速公路路面病害识别模型精度最高,其F1-score指标能够达到0.8465。最后,提出了基于改进YOLOv5模型的高速公路路面病害识别方法。分析了YOLOv5模型的整体架构和模型中各模块功能,并基于Efficientnet网络、Mobilenet v3网络和Resnet50网络,提出了用于高速公路路面病害识别的改进YOLOv5-Efficientnet模型、YOLOv5-Mobilenetv3模型和YOLOv5-Resnet50模型,并且对模型中的锚框（anchor）进行了重新设计,实验结果表明YOLOv5-Efficientnet模型检测精度最高,其F1-score评价指标达到了0.8873,单幅图像平均耗时为0.0514s。