因路面异常造成的交通安全事故是道路安全问题中不容忽视的一环。路面凹陷、路面颠簸以及路面障碍物等路面异常不仅会对人们的生命安全构成直接威胁,同时还会给人们的正常出行带来不便。如果在人为驾驶或者自动驾驶过程中,汽车系统能够及早检测到路面的异常状况,就可以及早提醒驾驶员做出相关反应或者汽车自动做出相应反馈,这样在辅助驾驶或者自动驾驶场景中,就可以减少道路安全隐患。因此,对驾驶场景下路面异常检测算法的研究是有重要意义的。由于路面异常状况复杂多样,我们主要对路面坑洞、路面减速带、路面警示柱这三种路面异常状况进行检测。针对上述问题应用背景,基于图像语义分割技术,我们提出了一种基于深度学习的路面异常检测算法,主要工作内容如下:(1)为了生成更好的语义分割结果,将生成对抗网络思想引入网络结构的设计中,提出一种新的神经网络架构;(2)为了使语义分割模块输出更好的分割掩码,获得更加精细的分割边界,我们在训练过程原有损失函数的基础上,提出了一种新的边缘损失函数:(3)为验证路面异常算法的有效性,我们自主拍摄构建了一个面向驾驶场景的路面异常数据集;(4)我们设计了一个用于路面异常检测的原型系统。多组实验表明,我们提出的基于深度学习的路面异常检测算法既能达到实时检测路面异常的目标,同时在准确率上也有较大优势,由此证明了我们所提出算法的有效性。