我国道路事业的快速发展的同时,道路养护任务也日益沉重,我国当前的道路发展已经由建设阶段逐渐过渡到养护阶段,我国道路的养护工作已经成为我国道路事业稳定发展繁重而紧迫的任务。然而,目前我国道路表面缺陷检测依然在使用人工检测方法,这种检测方法不仅费时费力,效率低下,主观性强,漏检率高还影响交通,因而道路表面缺陷的检测识别技术的研究就显得尤为迫切。因而,本文对道路表面缺陷检测识别技术进行了研究。当前,道路表面缺陷的检测识别方法大多都是传统的机器学习方法,过程繁琐且需要人工设计提取特征,导致识别效果欠佳以及耗时等问题。而深度学习能够将特征提取和分类融为一体,实现特征的自动提取,拥有很强的数据表征能力,因而,本文将深度学习技术应用到道路表面缺陷检测识别中来。本文基于深度学习研究了道路表面缺陷检测识别技术,确定了道路表面缺陷检测系统的总体设计方案。根据道路表面缺陷检测的需求,完成了图像采集模块、数据集建立模块、缺陷识别定位及展示模块、保存模块以及图形用户界面的设计。主要研究内容如下:①针对本文中道路表面图像采集时使用录像及连拍两种方式,需要将视频转换为图像,同时图像尺寸过大会导致硬件计算压力过大,基于此设计了视频分帧、图像分块算法。针对过拟合问题,设计了镜像处理、旋转处理以及添加少量高斯噪声共三种数据增强方式扩充了本文中的训练集数据。最终,本文实验中显著缓解了显存压力并且未出现明显的过拟合问题。②针对训练数据集规模不足的图像分类识别问题,本文使用了迁移学习方式以及模型优化算法优化深度学习网络模型的训练。对VGG-16、Inception-v3、ResNet-50三种预训练模型使用fine-tune模型所有层以及Convnet作为特征提取器两种不同迁移学习策略在本文数据集进行训练与测试,并对测试结果进行了对比分析,最终,VGG-16模型和fine-tune模型所有层方法组合取得了98.9%的识别准确率。选择VGG-16模型加fine-tune模型所有层组合方法,使用SGD、Adagrad、Adadelta、Momentum、Rmsprop、Adam模型优化算法分别再次对模型的训练过程进行优化,并对结果进行对比分析。最终,VGG-16模型和fine-tune模型所有层以及SGD优化算法组合方法能够取得99.1%的最高识别准确率,证明了所提方法在道路表面缺陷检测识别任务中的实验效果。③针对道路养护管理的实际需求,应用Pyqt5设计了道路表面缺陷检测系统图形用户界面。并通过道路表面缺陷检测系统的系统功能、道路表面缺陷识别以及性能测试证明了本文所设计系统在道路表面缺陷检测中的可行性以及使用价值。