深度卷积神经网络在计算机视觉领域的应用非常广泛,尤其在人脸识别、自动驾驶及医学影像方面发展迅速。路面裂缝作为主要的公路病害之一,对于路面状况评估有着非常重大的影响,传统的人工检测路面裂缝方法效率低下、正确率低,无法满足实际需求。通过将路面裂缝检测与深度卷积神经网络结合可以很好解决这样痛点,其中图像分类网络能精确区分路面裂缝类型及干扰因素;图像分割网络则能测定出路面裂缝实际面积,描绘出路面裂缝的边界,实现高精度、高效率的检测。目前国内外针对路面裂缝检测的研究已有诸多成果,但在实际的操作过程中依旧存在不少问题,如数据采集困难、检测精度低、网络模型鲁棒性差等,这些问题导致检测效果难以达到预期,为满足当前高效准确的路面裂缝检测需求,设计优化新的路面裂缝检测网络十分必要。本文结合路面裂缝特点与当前普遍存在的问题进行分析研究,优化当前网络算法,设计出改进后的路面裂缝图像分类网络和路面裂缝图像分割网络,通过两种网络相结合的方式,实现路面裂缝的识别检测,以下为本文主要研究内容:（1）主干网络选择。在选取主干网络时,参考路面裂缝狭小、细长的特点,选取高分辨率网络（HRNet）作为主干网络,不同于其它卷积神经网络先降分辨率,再升分辨率的结构,HRNet的高分辨率子网络和低分辨率子网络采用交叉并联的方式,保证网络能一直处于高分辨率状态,从而获取更多的路面裂缝的特征。HRNet作为主干网络确保了分类网络和分割网络的精度前提,为之后的网络模型优化打下基础。（2）路面裂缝图像分类网络。对路面中常出现的裂缝及干扰因素进行分类,结合其特点提出了一种结合多尺度特征混合空洞卷积的高分辨率图像分类网络。其中,多尺度特征来源于SSD网络,其特点在于采用小感受野的特征图检测小目标,大感受野的特征图检测大目标,该特点能助于不同大小的裂缝检测识别;而混合空洞卷积在进一步提高网络感受野的前提下,保证了裂缝图像局部信息不丢失,解决裂缝特征提取困难的问题。（3）路面裂缝图像分割网络。针对路面裂缝图像分割中出现的边缘分割模糊、准确率低的问题,对HRNet进行改进。将模型原始的双线性插值上采样替换为密集上采样卷积（DUC）,将下采样卷积换为passthrough layer,优化裂缝边缘信息的提取。同时提出了一种结合注意力机制的特征融合方式,通过挤压与激励注意力机制模块（SE-block）结合逐级上采样结构,划定特征融合的权重比例,解决解码过程中特征图细节丢失的问题。研究结果证明:基于高分辨网络的分类和分割网络在路面裂缝图像上的检测效果相较于传统卷积网络有较大提升,解决了存在的问题和难点,具有一定的应用价值。