随着社会主义现代化的持续推进,我国的基础设施建设也在如火如荼的进行。作为衡量国家现代化水平的重要指标——高速公路,其里程数也在近年来跃居世界第一。然而如此庞大复杂的道路交通网也带来了难以妥善解决的道路养护问题。由于施工方式、气候条件、行车负载等因素,道路常常会产生裂缝,这为道路交通安全带来了巨大的挑战。因此如何从道路图像上准确地检测出裂缝区域就成为了亟需解决的难题。传统的道路裂缝检测算法容易受到噪声等因素的干扰,而且随着道路材质的变化,检测效果也会大打折扣。近年来基于深度学习的卷积神经网络技术在图像分割领域取得了振奋人心的成绩,因此将卷积神经网络技术应用到道路裂缝检测任务就成为了一个十分值得探索的研究方向。卷积神经网络通常需要大量的标注数据来训练,而当前道路裂缝检测领域的数据量无法满足需求。因此本文首先应用了多种图像变换方法扩增数据集。之后为了解决这些扩增数据相似度较大的问题并进一步扩增数据集,本文提出了一种数据合成方法。该方法首先将裂缝区域从图像上提取出来,经过变换后与不含裂缝的背景图像进行泊松融合。通过该方法可以大量合成分布差异较大的标注数据,这解决了本文对大规模数据的需求。接着本文设计了一个解码器-编码器结构的深度卷积神经网络进行端到端的自动道路裂缝检测。该网络含有108个卷积层,由下采样路径、瓶颈结构和上采样路径构成。其中下采样路径逐步缩小特征图尺寸,从而提取图像特征;瓶颈结构用于减少特征图数量,剔除冗余信息;上采样路径逐步扩大特征图尺寸,从而恢复图像细节,预测目标类别。通过大量的实验,以及与其他相关算法进行对比,本文的算法在多个评价指标上均取得了当前最好成绩,并大幅超越其他算法,证明了本文算法的有效性。