路面裂缝是道路病害的重要表示形式之一,也是许多其他病害的早期形式。中国每年在裂缝检测和维护上投入了大量的人力和物力,路面裂缝的自动检测可以极大地降低养护成本。目前使用激光、雷达等相关技术的检测方法已经相对成熟,但由于设备昂贵,仅适用于桥梁等特殊路面,难以规模化应用。而随着计算机视觉领域的快速发展,基于深度学习的路面裂缝检测也取得了一定的成果,但在实际应用时,检测性能仍有一定的提升空间。本文针对路面裂缝的自动化检测,展开了以下的研究:首先,本文对路面裂缝检测的研究历史和现状进行调研,将现有的裂缝检测方法分类,分析现有的裂缝检测算法在实际使用中存在的问题,并详细介绍了本文所使用方法涉及到的相关技术,包括了卷积神经网络、循环神经网络、深层监督学习和多尺度特征融合等。其次,本文提出了一种基于多阶段结构特征提取的路面裂缝检测方法。现有的基于深度学习的路面裂缝检测方法容易受变化的复杂路面情况影响,鲁棒性较差,并且需要大量的精确标记。本文提出的方法,从宏观上考虑裂缝的形态结构,通过多阶段递进的方式提取裂缝的结构特征,并与局部特征融合用于裂缝检测。本文还采用深层监督的方式进行训练,对每一阶段的检测结果可视化,保证每一阶段得到的结构特征的有效性和透明性。实验结果表明,相比现有方法,基于多阶段结构特征提取的路面裂缝检测方法能够得到更好的检测结果。最后,本文提出了一种基于多阶段连续特征提取的路面裂缝检测方法。考虑到裂缝的存在形态大多为横向或纵向,使用卷积的方式得到的裂缝结构特征引入了大量的无关信息。根据裂缝图像块之间相互的连接关系,本文设计了一种LSTM2D模块替代多阶段结构特征提取方法的卷积结构。本文使用的LSTM2D模块,通过引入LSTM得到裂缝的连续性特征,并同样采用深层监督的方式进行训练。实验结果表明,基于多阶段连续特征提取的路面裂缝检测方法能够在参数量更少的情况下,达到比基于多阶段结构特征提取的路面裂缝检测方法更好的效果。