随着物流、货运等行业的快速发展,交通运输量的增大,以及环境因素的影响,以裂缝和坑洼为主的路面早期病害日益增多。传统的人工检测方法因存在效率低、安全性低、检测结果存在主观性等缺点,已不能满足我国日益增长的养护公路检测要求。此外,我国国道和省道使用的自动化系统检测算法易受路面条件和光照的影响,结果准确性和算法扩展性还存在缺点和不足,且该检测系统还未普及城市和乡镇公路,所以路面早期病害检测依然是当前公路管理部门亟需解决的一个实际工程问题。因此,为实现准确、快速、低成本的检测,本文研究并改进了一种基于深度学习的路面早期病害检测算法,并介绍了软件系统的整体检测流程,旨在提高城市和乡镇公路检测的效率,降低后期路面维修的成本。本文主要工作如下:（1）数据集。目前有关城市和乡镇路面病害的公开数据集较少,且主要以裂缝检测为主,检测结果未覆盖常见的路面早期病害类型,无法满足实际路面场景检测要求。因此本文通过使用移动智能手机、私家车行车记录仪等工具获取大量有关阜阳市城区和乡镇的路面病害图片,并将破损病害分为4类:（1）横向裂缝;（2）纵向裂缝;（3）龟裂;（4）坑洼。为避免算法模型在训练过程中发生过拟合现象,提高模型检测性能,利用几何变换和颜色空间增强技术增加数据集的数量。（2）算法模型。首先针对算法模型的检测速度,采用YOLOv3目标检测算法,并将其主干网络Dark Net-53替换为轻量级网络Shuffle Netv2。其次针对算法模型的检测精度,采取增大DW卷积核尺寸的措施,并修改Repeat参数。最后针对算法模型的参数规模,提高在移动端的运行性能,利用卷积核裁剪策略选择合理的裁剪率对YOLOv3-Shuffle Netv2模型的三个检测分支参数进行裁剪压缩。实验结果表明:本文改进的算法模型能够正确、快速、低成本检测出常见的路面早期病害。（3）软件系统的交互界面。本文基于wx Form Builder设计并实现软件系统的交互界面,该界面包括检测源、检测路面病害类型以及记录检测结果等功能。通过调用Open CV模块能够实现图片、视频以及实时检测,经测试基本可以完成常见的路面早期病害检测。最后介绍了整个系统软件的各个模块功能。