裂缝是大多数路面病害的早期表现，准确地检测裂缝对于路面性能预测、路面病害预防和控制具有重要意义。近年来，卷积神经网络所具有的强大图像描述能力促使许多学者将该技术应用于裂缝检测，并取得了很好的效果。但是不同路面裂缝数据集在路面材质、拍摄条件以及采集设备等方面的差异使得它们的数据分布是不同的。最终导致由单一数据集训练的裂缝检测模型对新数据集不具有稳健性，检测性能往往大幅下降。为了提高检测精度，传统做法是选取新数据集中的部分图像进行逐像素的真值标注，然后将其作为训练样本重新训练或微调模型。但是，裂缝真值人工标注不仅成本高而且耗时，难以跟上路面图像的采集速度。因此，如何在新数据集无真值的情况下，提高已训练模型在新数据集上的检测性能，是利用卷积神经网络进行裂缝检测的关键问题。
　　无监督域适应是解决任务相同但数据分布不同导致的卷积模型性能降低问题的有效方法。该方法已经普遍地运用于街景图像的跨数据集分割，并取得了一定的成功。和街景图像分割相比较，裂缝检测是一个更为精细的任务，且路面图像中裂缝自身的变化更为多样和复杂。因此，直接将街景图像的域适应方法用于路面裂缝图像很难取得好效果。基于这一研究现状，本文以不同的路面裂缝数据集为基础，利用对抗训练思想，设计了通用的裂缝检测的无监督域适应策略，提升单一数据集训练的裂缝检测模型的跨域检测性能，以实现无监督、高精度的路面裂缝跨数据集检测。本次研究的主要内容及结论如下：
　　(1)基准裂缝检测网络构建：为了客观评估本文提出的域适应策略对裂缝检测网络性能的提升，需要一个统一的基准裂缝检测网络。鉴于目前大多的裂缝检测网络都是基于FCN、U-Net、SegNet这三个通用语义分割网络提出的。因此，本文对FCN、U-Net、SegNet的网络架构进行了学习和总结，然后在同一个裂缝数据集上对比这三种网络的裂缝检测性能。选择其中性能最优的作为域适应裂缝检测研究的基准网络。实验结果表明：U-Net的裂缝检测性能是最佳的。
　　(2)基于对抗域适应的路面裂缝跨域检测研究：在以U-Net为基准裂缝检测网络的基础上，本文利用对抗训练思想，同时在特征层面和网络输出层面进行域适应，提出了特征适应模块和输出适应模块，用于减小模型训练集和新数据集之间的分布差异。具体地，特征适应模块的目标指导基准网络的编码器学习域不变的特征表示，从而缩小源域(带真值的模型训练集)和目标域(无真值的新数据集)的特征分布差异，使得基准网络的编码器在目标域上可以提取较为准确的裂缝特征。考虑到为裂缝检测而学习的特征表示高维且复杂，在这样的特征空间中并不能十分准确地对齐源域和目标域。此外，网络输出的裂缝检测结果也受到网络解码器的影响。因此，本文在特征层面域适应的同时进行输出层面域适应。输出适应模块的目标是捕获源域预测图与目标域预测图在语义层面的差异，然后通过反向传播该差异指导基准网络在目标域上产生与源域在语义层面相似的预测结果。为了全面评估所提出的域适应策略的性能，本文在多个路面裂缝跨域检测实验中对比域适应网络和基准网络的跨域检测性能。此外，本文将两个域适应模块集成到FCN的架构上，再次进行路面裂缝跨域检测实验，以测试域适应策略的通用性。实验结果表明：本文提出的域适应策略可以有效地缩小路面裂缝检测任务中由于路面材质、拍摄条件和采集设备不同导致的分布差异，实现了在新数据集无真值的情况下，提高已训练模型在新数据集上的检测性能。此外，所提出的域适应策略具有通用性。