随着国家大力发展基建项目,我国的道路里程数在逐年快速地增长。但随着行车压力的增加以及自然因素造成的损害,道路不可避免地会产生各种病害,容易造成交通事故,威胁了到行车安全。道路的封锁维护也阻碍了经济发展。裂缝作为最常见的道路病害之一,通常是演变成大型病害的根源,如果不及时检测并修复,裂缝会破坏路基,从而形成松散、脱空等病害,甚至会造成道路坍塌。所以道路裂缝的检测十分重要,但传统的人工检测方法通常是低效、准确率低、耗时耗力的,而且裂缝具有隐蔽性,肉眼无法观察到道路内部裂缝的发展状况。因此,为了高效地对道路裂缝进行检测和以及及时地进行修复,避免更大道路灾难的发生,本文在现有的研究成果基础上,结合使用深度学习算法和三维探地雷达实现道路裂缝自动化检测,具有一定的工程意义。本文的主要工作如下:本文使用了深度学习算法实现了对三维探地雷达图片的裂缝检测,其中检测流程包括使用分类网络对搭板图片的过滤以及使用语义分割网络对雷达图片的裂缝分割两个步骤。在裂缝检测的过程中,针对在搭板工况下语义分割网络容易将搭板边缘错误识别为裂缝的问题,本文使用了基于Efficient Net改进的网络训练了搭板分类器来过滤包含搭板工况的图片以降低分割网络的误报率,同时Efficient Net的轻量特性缓解了串行使用神经网络带来的效率低下的问题。在测试集的测试结果表明,分类器正确率达到了97%。在语义分割网络对图片的特征提取过程中,针对裂缝形态细长、不规则、在图像中占比小而导致的裂缝特征提取困难的问题,本文提出了并行多向注意力机制（PMDA）模块来对特征的单个像素与其相邻像素建立关联关系以赋予裂缝特征更高权重,从而增强网络的裂缝特征提取能力;针对各种工况以及雷达电磁波的干扰导致雷达图像存在各种噪声,从而降低了网络所提取的特征的有效性的问题,本文提出了多路卷积-特征选择（MC-FS）模块多路并行地进行特征提取以增加特征的多样性,最后用通道注意力机制进行通道加权,从而实现从多样性到有效性的转化。本文还设计了残差压缩（RS）模块来压缩用于残差连接的特征通道数以减少网络参数、提高网络计算效率。本文用上述三个模块改进了UNet,形成了Crack UNet分割网络,并用该网络实现了雷达图像的裂缝分割。在测试集的测试结果表明,Crack UNet的MPA和MIo U分别达到85.69%和75.02%,在图像级的检测精度也达到了93%,与当前主流的语义分割网络相比取得了较好的性能。消融实验和注意力模块对比实验也证明了上述三个模块的有效性。最后本文将语义分割网络和搭板分类器封装成裂缝检测模块,并联合数据生成模块和联合判定模块形成道路病害自动检测系统。