随着我国经济与公路基础设施建设的持续快速发展,公路货运量和客运量保持高增长态势,公路安全成了保障全国经济发展的重要一环。保障公路安全离不开路面破损检测。传统的人工走查的检测方式成本高、检测时间长、受视觉主观性影响,并且可能危害检测人员的生命安全。因此,路面破损自动化检测方法的研究具有重要意义。目前,国内外的路面破损检测方法中,多数局限于对裂缝破损的检测,少数能检测多种破损,但检测精度不高。本文针对实际路面多类型破损检测对检测精度的要求,采用日本东京大学实验室公开的路面破损数据集进行实验,对基于目标检测的路面破损检测方法进行深入研究。本文主要的工作如下:（1）设计一种基于Cascade R-CNN的路面破损检测方法,能检测8种破损类型。该方法结合了卷积神经网络Res Net-50与特征金字塔网络（Feature Pyramid Network,FPN）,用更精准的Ro I Align取代Ro I Pooling作为感兴趣区域池化层,具有较高的检测精度。研究不同抽样时Io U阈值下的两阶段目标检测算法Faster R-CNN与Cascade R-CNN的路面破损检测能力。确定Cascade R-CNN三个R-CNN阶段合适的Io U阈值。平均检测精度均值达到55.6%。（2）针对路面破损中狭长的破损不易检测的特点,对Cascade R-CNN的区域提议方式进行优化,设计一种更容易检测到狭长破损的anchor生成机制。由此训练出的路面破损检测器对狭长破损具有更强的检测能力。平均检测精度均值达到56.5%。（3）依据路径聚合网络（Path Aggregation Network,PANet）的特点将FPN进行结构改进。将改进的FPN应用到区域提议方式优化后的基于Cascade R-CNN的路面破损检测方法上。由此方法训练出的路面破损检测器鲁棒性更优、具有更高的检测精度,能检测出比人工标记更精确的结果。平均检测精度均值达到57.2%。（4）研究残差网络的深度与基数（Cardinality,C）对（3）中的Cascade R-CNN路面破损检测方法的影响。由此设计一种基数C为32、深度为101的残差网络Res Ne Xt-101进行特征提取,改进的FPN进行特征融合,并且经过区域提议方式优化的Cascade R-CNN路面破损检测方法,具有更高的检测精度。对于（1）中的方法,新方法对8种破损类型的检测能力均有提升。平均检测精度均值达到60.6%。