我国在经历了大规模公路建设后,目前公路建设的速度在逐步变缓,随之而来的是对路面养护的巨大需求。路面裂缝作为路面破损的常见表现形式之一,对其进行有效的检测无疑对路面养护具有重大意义。为解决传统路面检测准确率低、普适性差等问题,本文以路面裂缝为研究内容,利用卷积神经网络的技术,设计了新的网络模型用于裂缝的分类检测。具体工作如下:(1)对采集到的裂缝图像进行标记分类,样本具体划分为横向裂缝、纵向裂缝、龟状、块状、修补后及无裂缝图片。并将样本图像以一定比例划分为训练集、验证集和测试集,建立实验所需的路面裂缝图像数据库。(2)设计了一种适合裂缝分类检测的卷积神经网络架构。首先设计了基础网络模型,对原始Alex Net网络、Goog Le Net网络进行深入探究,分析其特征提取网络模型特点,在此理论基础上对设计的模型进行改进,引入Inception模块思想改变了原基础网络的拓扑结构、卷积尺寸、加入了Dropout层,提出了一种新的的裂缝分类网络模型。(3)设定了网络模型的优化策略,对卷积神经网络的各项超参数,包括学习率设定、批处理量选择、正则化参数设置以及优化器选择等提出了相应优化策略。(4)基于Keras深度学习框架,对设计的基础网络模型和改进后的网络模型进行训练,对比验证得出后者网络模型在同等实验条件下,比基础网络模型准确率提升了9.5%,随后根据提出的模型优化策略,对改进后的网络模型进行了优化,经过大量对比实验,最终训练出准确率高的裂缝分类网络模型。最高准确率可到91.6%。