路面裂缝检测是路面破损检测的关键内容，裂缝检测的手段也经历了由人工检测向自动检测发展的过程。近年来，卷积神经网络（CNN）在计算机视觉领域逐渐占据统治地位，其凭借复杂的网络结构和学习能力，借助飞速发展的硬件算力和海量积累的大数据样本，给图像识别算法带来了前所未有的准确性和稳定性。本文为解决二维路面灰度图像中裂缝等病害的自动识别问题，针对路况采集设备线阵相机采集到的路面图像，提出了一套基于深度卷积神经网络路面裂缝提取算法，包括预处理、区域判定、图像分割、多层特征融合等模块。
　　首先，本文基于以线阵相机为传感器的路面图像采集平台，设计了一种针对路面图像不均匀光照背景的灰度校正算法。分析了线阵相机拍摄路面图像在横向的分布特性，通过对各列分别平均的方法提取路面的精确掩膜，进行掩膜校正和图像拉伸后获得了较理想的效果。与常用的方法相比，本文提出的方法可以消除灰度的突变，并保留图像的细节信息，因此对采用线扫相机的路面病害检测系统具有适用性。通过数据增强、数据归一化等预处理方法，将数据集整合为适于作为神经网络训练样本的形式。
　　其次，本文研究了基于CNN的裂缝图像分类和分割技术，并提出了一种两步CNN模型网络对路面图像实现快速的目标分割。该网络由两部分组成：第一步是基于CNN的图像分类网络，可以快速判定各区域是否包含目标元素，以排除非目标区域；第二步将分类网络保留的部分进行基于CNN的图像分割。实验证明，本文提出的方法在验证集上的查准、查全和 F-1 分数分别为 0.78、0.73、0.75，与直接分割的CrackNet方法相比，在准确度牺牲很小的情况下，将测试集中单张图片的分割速度从209毫秒提升到1.80毫秒。
　　最后，本文研究了基于转置卷积网络的多层特征融合方法，在建立的两步CNN模型基础上，提取其中间层包含的大量特征信息，尤其是较深层的感知域，作为分割网络提取信息的补充。研究训练了多个融合了分类网络中间层和分割网络输出层的转置卷积网络，发现融合多个高层输出的转置卷积网络表现了最佳性能。提出的多层特征融合方法能够更准确地提取裂缝信息，尤其是保留了裂缝的连续性特征。
　　上述研究实现了路面二维灰度图像的裂缝自动识别和提取，在保证精度的前提下大幅提高了识别速度，降低了计算硬件要求，具有理论意义和工程应用价值。