随着我国道路建设的大力发展,城市与城市之间的交通越来越发达,随之而来的就是日益增高的道路安全检测和养护工作,但是传统的人工巡查工作效率较低,而国内外的对道路灾害的研究重点体现在道路结构分析和灾害隐患的预测上。所以本文根据深度学习理论,设计了一种基于深度学习的自动化检测道路障碍物的方法,能够自动识别道路上的障碍物并自动分类和标记其具体位置,实现大量道路图片的自动标记和处理过程,能够有效地提高道路安全监测的效率。针对道路障碍物图像数据集的采集和制作的问题,本文设计了一套自动的数据集制作的方法。首先利用网络爬虫技术爬取网络上感兴趣的图片,并进行自动进行图片缩放、增强、降噪、数据增广等操作,最后手工对图片进行筛选和目标的标记。利用这个方法,本文收集到了3000张正样本和300张负样本作为本次实验的数据集。随后本文引入了Mask R-CNN目标识别网络,并提出了融合BN层和卷积层、改变mask预测分支等方法,设计了改进的Mask R-CNN的网络,并利用本文所设计的数据集采集方法采集到的数据集,详细介绍了改进的Mask R-CNN的网络结构和训练参数选取的过程,得到了最终的网络模型。实验发现,本文所设计的改进的Mask R-CNN网络结构在几乎不降低识别率的情况下,将识别速度提高了15%左右。同时,本网络具有90%左右的识别率,并能够自动地检测出图片中道路障碍物的位置和种类信息。