随着我国交通基础设施的迅速发展,公路养护任务也变得至关重要,而公路养护的首要环节是对公路的健康状况进行评估。人工评估存在主观性强且效率低的问题,因此对于道路的健康状况进行自动且定量的评估具有很大的研究价值。本文以路面病害作为研究对象,使用基于目标检测和图像分割的方法对路面病害进行检测,同时对路面裂缝进行分割提取和定量分析。首先,完备的数据集是训练深度学习模型的前提。本文通过分析道路病害的多种表现形式,进而建立多类型路面病害数据集,其中包含简单裂缝、网状裂缝、坑槽以及塌陷四种类型。其中裂缝是路面病害中最为常见的表现形式,因此,本文对裂缝进行了进一步的分析,对其进行像素级别的标注,以便对裂缝进行分割提取以及定量分析。其次,为了实现对多类型路面病害的识别和分类,本文提出了基于改进YOLOv5网络的路面病害识别算法。原始的网络在检测路面病害时存在多尺度检测、小目标特征丢失等问题。因此在原始网络的基础上,分别从锚框优化、局部模块改进以及融合注意力机制三个角度进行优化。通过设计多种对比实验,从而对算法改进的有效性进行验证,使用基于改进YOLOv5的路面病害检测算法对于四种常见病害检测测试结果的m AP值为0.936。为了对路面的健康状况进行更进一步的分析,针对裂缝这一种最常见的路面病害表现形式,本文提出了基于图像分割的裂缝提取方法,该算法将单阶段显著实例分割网络（S4Net）与级联特征金字塔（CFPN）融合,并针对分割分支进行改进,从而提升了网络的特征提取和特征融合能力。通过设计消融实验,选取合适的超参数来优化模型,进而实现裂缝的分割提取。经过测试,裂缝分割算法在无噪声图像数据上的像素精度为0.9608,在包含噪声的图像数据上的像素精度为0.8824。然后,在裂缝分割结果的基础上,设计裂缝长度和平均宽度的计算方法,从而获得裂缝实际参数,实现对路面健康状况的定量分析。最后,基于上述提出的算法,使用Py Qt5工具设计路面病害识别和分析软件。软件的具体功能包含路面病害识别和分类、路面裂缝分割提取、裂缝长宽度计算以及检测数据保存四个功能。在实际应用上,设计的人机交互软件为工作人员的使用提供了方便。