公路养护工作是我国的一项重点任务。及时、有效地检测路面破损情况并进行路面补救,对保证道路交通安全至关重要。人工走查方法耗时耗力并存在潜在危险;数字图像处理的方法也因人为提取特征且检测准确性低等问题而受到限制。因此,设计出实时、迅速、识别精度高的路面检测算法迫在眉睫。深度学习算法可自动对所输入图像特征进行较准确的识别和判断,已在众多领域得到证实和广泛应用。鉴于此,本文以沥青路面破损图像为研究对象,基于深度卷积神经网络算法,期望实现对路面破损图像的快速、准确检测识别。主要结论如下:（1）针对小样本图像问题,采用基于Visual Geometry Group（VGG）模型的优化识别网络模型,提出一种S-VGG网络模型作路面破损类别的分类识别方法。以精确率、召回率、F1值为模型评估指标,并将结果与支持向量机算法（SVM）作对比。结果表明:S-VGG的分类准确率较高,收敛较稳定,可以适应小样本数据的分类识别。相比SVM,在同等试验环境、数据前提下,本文模型的分类准确率、F1值分别提高了25.6%,23.4%,具有更好的分类效果。（2）针对现实情况试验样本少的问题,提出了一种基于生成式对抗网络的扩充样本的方法。即,以原始收集图像为基础,采用传统数据增强方法获得扩充样本（traditional-set）,在两者基础上筛选出新的数据集,引入生成式对抗网络生成试验样本,样本集合命名为GAN-set。结果表明:该方法能满足深度学习海量数据样本需求,可用于后续图像分类算法及分割算法研究。（3）针对VGG-16模型在试验过程中存在参数冗余,占用内存大等问题,提出一种基于改进型VGG的路面裂缝分类识别算法,并在不同数据集（GAN-set和traditional-set）上将该改进算法与不同算法（VGG-16与主流深度网络模型）作对比研究。结果表明:改进后模型的分类准确率达到96.30%,相比于原始的90.40%,提升5.9%;GAN-set在模型分类准确率、精确率、F值上均优于traditional-set;改进型VGG+GAN-set组合的分类识别效果提升明显。（4）针对原始算法在复杂背景下存在误检或漏检问题,提出了一种基于改进型U-Net的路面裂缝分割算法,并将该算法与传统图像分割算法及U-Net、FCN算法作对比研究。结果表明:相比传统分割算法,本文算法降低了因障碍物、遮挡物等因素造成的分割效果差的几率,相比主流分割算法,在评估指标上的得分均较突出,平均像素精度及平均交并比分别达到92.43%、83.43%。