随着公路交通运输业的迅速发展,公路路面的维护工作也日趋繁重,公路管理部门需要快速及时地掌握公路路面信息。传统的人工检测方法早已不能满足道路发展的基本需求。同时,面对大规模的路面破损图像,传统的基于图像识别的方法由于受到路面图像噪声、特征提取方法局限、图像数据量大等因素的影响,也已经不能满足大规模数据的应用。卷积神经网络在处理图像、语音等大数据方面取得了较好的结果,但面对大规模数据,需要耗费较长的时间,其训练速度严重影响了其在路面裂缝识别中的进一步应用。本文通过研究卷积神经网络的训练加速方法,并将其应用在路面裂缝识别中,主要工作如下:首先,基于人脑重复记忆的原理,提出了一种两阶段卷积神经网络模型。在该模型中,第一阶段先随机选取部分样本对卷积神经网络进行重复训练,得到一个网络模型。第二阶段将第一阶段得到的网络模型作为网络初始权值,再用全部样本对网络进行优化,得到最终的网络模型。其次,研究了第一阶段训练样本数的确定方法和卷积核的选取。为了确定第一阶段的训练样本数,对整体数据集训练测试,将误差曲线的拐点作为第一阶段的样本数,在路面裂缝数据集上的实验结果表明该方法是有效的。同时,通过实验比较了不同卷积核对识别精度的影响,确定卷积核大小。最后,构建了两阶段卷积神经网络,并将其应用在路面裂缝识别中。同时和传统的识别方法进行了比较,实验结果表明利用两阶段卷积神经网络识别路面裂缝提高了识别精度和网络的训练速度。