高速公路是现代化交通运输体系的重要组成部分,对促进国民经济、政治和文化等发展有着重要作用。由长时间的交通荷载和自然因素的影响而逐渐产生的各种病害,如路面裂缝、坑槽和沉陷等,致使道路的承载能力下降,严重影响了道路的运输能力、使用年限以及行车安全。高速公路路面病害主要类型为横向裂缝（Transverse Crack,TC）、纵向裂缝（Longitudinal Crack,LC）、龟裂（Alligator Crack,AC）、灌封裂缝（Sealed Crack,SC）、块状修补（Block Patch,BP）和块状裂缝（Block Crack,BC）。随着我国高速公路建设的快速发展和路网体系的日趋完善,对运营公路进行及时的健康检测及养护管理变得越发重要。基于图像视觉的阈值法、小波变换等方法耗时费力、效率低、只能处理特定类别的病害、泛化能力较弱。随着计算机视觉的快速发展和深度神经网络良好的特征提取能力,深度学习被引入到路面病害识别与检测中,出现了众多算法模型。但这些算法的检测对象主要集中在横、纵向裂缝病害,对其它病害类型的研究则较少。本文的研究对象为高速公路路面最主要的六类病害,主要研究如下:（1）基于Mask-R-CNN的路面病害检测通过搭建Mask-R-CNN网络,构建路面病害检测数据集（Freeway Pavement Distress Detection Dataset,FPDDD）、模型训练,对模型进行测试及验证。模型在训练和测试过程中,其评价指标AP75的检测精度和分割精度分别达到80.7%,73.9%。测试结果显示,尺寸较大的灌封裂缝、块状修补和块状裂缝病害的检测效果远优于小尺寸的裂缝,但病害边界模糊,且检测回归框重叠严重。（2）基于SegNet-SC的灌封裂缝提取选取FPDDD中的灌封裂缝病害,通过对比卷积自编码、自动色彩均衡和多尺度视网膜等三种方法对图像的增强效果,选择效果最好的多尺度视网膜对选取的图像进行预处理,以减少路面噪声、阴影、光照等干扰因素对图像质量的影响,从而突出路面病害的特征。通过手动标注样本,运用数据扩增方法构建了灌封裂缝数据集（Sealed Crack Dataset,SCD）。针对SegNet网络难以精确分割沥青路面微小病害的问题,采用比视觉几何群网络（Visual Geometry Group Network,VGG）效果更好的残差网络（Residual Network,Res Net）作为主干网络,同时加入空洞卷积（Dilation Convolution）层,提高网络对细小病害的识别性能;针对改进网络在识别病害时误检率较高的问题,运用阈值法剔除分割结果中的假阳性。（3）高速公路路面病害自动提取SegNet-SC网络对灌封裂缝具有良好的提取效果,但难以精确分割沥青路面具有相似特征的病害。为了能够精确提取公路路面病害,对SegNet-SC进行改进,提出一种新的高速公路路面病害提取方法（Freeway Pavement Distress Automatic Extraction,FPDAE）,通过构建路面病害提取数据集（Freeway Pavement Distress Extraction Dataset,FPDED）,利用SegNet-SC网络,对每一个上采样环节添加一个分支获取编码器提取的特征图,与之前的特征图进行融合。改进后的网络能避免因卷积和池化操作引起的特征减少问题。同时,不同空洞率的空洞卷积层增加了感受野,提取不同尺度的特征,融合后的特征图包含更多细微病害的特征。（4）路面病害量化识别实验对提取的路面病害进行量化识别。计算图像病害区域的像素面积,再通过坐标单位转换关系,将像素面积转化为实际面积,结合相关技术标准,对路面损坏程度进行快速便捷的评估。研究结果表明,FPDAE方法可以精确提取高速公路路面主要的五类病害。本文研究解决了具有相似特征的病害检测精度低、细微病害易漏检的问题,提高了实际工作中的病害检测效率。同时为实现路面病害的自动化检测提供了参考。