公路路面病害及时有效的检测对于保障公路运输安全至关重要。目前路面病害检测主要通过人工检测以及半自动化检测设备实现,成本高昂且检测效率低下。因此,基于数字图像的路面病害自动化检测方法成为目前的研究热点。本文利用计算机视觉相关技术,通过图像增强、权重调整、迁移学习以及领域自适应等方法,实现对路面病害的多分类以及病害区域定位,为路面病害的自动化、智能化检测提供技术支持。研究内容主要包括以下两个方面:（1）基于图像自适应增强、权重自适应调整及参数迁移的路面病害多分类研究。针对图像内灰度分布不均匀问题,兼顾局部与整体的图像增强,提出了一种先分割增强后合并增强方法;针对病害类别的数据分布不均衡问题,提出一种类别权重自适应调整方法,自适应修改病害类别的权重,从而提高对病害类型的检测能力。为了降低训练成本并提高模型的泛化能力,采用参数迁移的方式迁移已有的模型参数。实验表明自适应增强与自适应权重调整对病害类别的分类F1值最高提升22%,分类准确率提高2.02%。（2）基于领域自适应的弱监督路面病害区域检测。CQU-BPDD作为路面病害多分类数据集,由于缺乏病害区域的定位信息,无法在分类的基础上实现对于病害区域的检测。为了解决弱监督下的路面病害区域检测问题,通过领域自适应的方式将具有路面病害区域标注的RDD2020领域中的知识迁移到CQU-BPDD领域,具体通过构造一个囊括源域和目标域特征空间、类别空间以及最重要的样本条件概率分布空间的中间域,并在中间域上迁移YOLOv5模型,实现领域自适应,从而最终解决弱监督下CQU-BPDD领域中病害区域检测问题。实验表明,领域自适应相比于直接领域迁移在准确率提高11%,病害类别的检测F1值最高提升21%。领域自适应所提供的标注信息可以为后续的路面病害区域检测研究提供数据支持;通过领域自适应解决弱监督下的路面病害检测方法研究为数据自动化标注问题提供了一种可供借鉴参考的研究思路。