公路交通运输在人民生活和国民经济中起着重要作用,道路安全状况不达标会严重影响人们出行安全。因此,路面病害检测将成为道路养护不可或缺的工作。随着新一代人工智能的出现,深度学习技术也在路面病害检测方面被广泛应用。本文采用深度学习多模型部署技术可以快速实现道路全自动化检测,这样不仅提高了路面病害检测效率,而且检测精度也有了明显提升,弥补了传统人工方式存在的缺陷。因此,本文将研发出基于深度学习的路面病害检测系统,实现对路面不同类型病害进行识别检测。本文的研究内容如下:首先,针对基于深度学习的路面病害检测系统构建开发环境。该系统使用C/S架构,客户端主要完成用户的具体业务,以SQL Server 2008作为系统数据库用于保存路面病害数据。服务器端用来提供数据管理、数据处理等业务,并结合Opencv图像处理、Tensorflow、Keras框架对系统进行整体搭建。其次,针对基于深度学习的路面病害检测系统进行需求分析与设计。该系统根据JTG 5210-2018标准对路面不同病害类别进行总体分析,并结合功能需求和性能需求对该系统做出需求评估。接着,对该系统的软件结构和数据结构进行总体设计。通过模块化设计对软件功能模块进行详细设计,计算不同路面病害的物理几何参数、GPS位置以及路面损坏状况指数（PCI）。根据病害图像的数据结构建立数据库,设计数据库的实体属性以及对应关系。最后,针对完成基于深度学习的路面病害检测系统进行多模型部署与实现。主要针对系统所采用的深度学习网络模型,包括分类模型、目标检测模型以及分割模型进行部署实现,采用Flask框架与服务端建立通信,完成客户端与服务端的信息交换功能,实现软件系统的整体部署。将实验中采集到的图像数据对软件系统进行整体测试,设计测试用例并从功能和性能两方面进行系统调优,用来确保软件系统可行性和软件质量可靠性。综上所述,通过对该系统的开发,不仅可以快速检测路面病害的类别,而且可以显示路面位置以及计算道路病害破损参数。因此,开发基于深度学习的路面病害检测系统对道路病害养护具有很好的工程应用价值。