四通八达的公路网方便人们出行的同时也为汽车行业的发展带来了极大的经济效益。但随着公路总里程数的增长,公路养护任务也逐渐加重。传统人工检测方式已经难以满足如此庞大的检测需求,尽管目前在实际检路过程中数据采集工作已经实现自动化,但是数据后处理工作仍然需要大量人工参与,特别是在道路病害图像自动识别方面。因此,在保证准确率的前提下脱离人工干预实现完全自动的路面病害图像识别是目前亟待解决的问题。针对现有路面病害自动检测技术识别准确率不高、病害定位精度不够和病害检测类别不全等问题,本文提出了一种基于多类别深度语义分割结合全连接条件随机场的路面病害自动识别方法,主要研究内容如下:（1）在对路面病害自动检测方法进行研究时,需要大量精确到像素级的高质量路面图像数据及图像对应的桩号、里程等信息作为数据支撑。因此,本文结合国标要求提出了车载式路面图像采集系统的总体设计方案并开发了路面图像采集软件,对系统中的硬件组成如相机、镜头、编码器和照明设备等进行了选型。（2）语义分割网络对数据集的标签信息十分依赖,路面裂缝多为相互交错的狭长细小结构,龟裂图像形态更是复杂多变,在标注时尤为困难。针对龟裂图像标注时时间和人力投入成本高的问题,本文提出一种基于DBSCAN（Density-Based Spatial Clustering of Applications with Noise）密度聚类和二分类语义分割网络的半自动化标注方法,在一定程度上提高标注效率,减少人为参与,同时提升标注的精准度。（3）结合路面图像数据集类间相似性、样本不均衡性、灰度差异性等特点对原始UNet网络模型进行多个方面的改进,并引入了基于Dense CRF（Dense Conditional Random Fields）的后处理优化,在利用深度语义分割网络获取特征的同时,采用Dense CRF获取更多空间上下文信息,进一步抑制噪声,提高分割精度,消除由于人工标注而产生的训练误差。实验结果表明,改进的UNet网络在同设备其他路段测试集中准确率达到98.43%,miou达到82.74%,检测结果较优,泛化性能良好。综上,论文基于多类别深度语义分割和Dense CRF对车载路面病害自动识别技术进行了研究和实现,为所依托的项目研究奠定了基础,为沥青道路养护决策提供了一定参考。