近年来我国道路已接近“全面养护”阶段,对道路养护的关键环节是识别路面病害,进行路面状态评估,以便及时修补路面病害,但目前存在路面病害检测技术通用性不强、检测的病害类型不全面、检测速度不高等问题,而深度学习用于路面病害图像检测具有明显优势。因此,本研究提出了一种路面病害检测的新方法,将深度学习技术引入到路面病害检测及评估的研究中。本文根据实地采集到的路面图像数据,在路面病害图像特征分析的基础上,提出了基于Mobile Net-V2网络的路面图像分类方法,基于YOLOX网络模型的路面病害目标检测方法,以及基于U-Net++网络的路面病害破损程度评估方法,实现病害破损程度量化评估。（1）通过调研及实地采集路面图像数据,确定了5种频发的路面病害类型,即横向裂缝、纵向裂缝、块状裂缝、龟裂及坑槽,针对采集到的路面图像数据,采用人工及半自动化标方式标注,并通过数据增广方式,以保证路面病害各类别之间的平衡,以此构建了路面图像数据集。（2）搭建Mobile Net-V2分类网络模型,通过在线数据增强的方式,对路面图像数据集进行图像预处理,通过50次学习后,损失值已平缓,预测结果的精确率达到了94%,召回率为95%,准确率达到了95%,F1-Score也达到了95%,研究结果表明,该路面图像分类方法能够较好的区分正常路面图像和破损路面图像,且整体效果较好。（3）搭建YOLOX目标检测模型,对路面病害图像进行Mosaic、Mixup数据增强之后,经过200次学习训练,预测横向裂缝、纵向裂缝、块状裂缝、龟裂、坑槽的平均精度分别达到了78%、76%、67%、67%、63%,均值平均精度为70.20%表明该目标检测方法可以较好的框选出病害目标的位置。（4）搭建U-Net++语义分割模型,通过提取病害区域的像素占比,计算病害区域图像的像素面积,将像素面积转化为实际面积,进行量化评估。通过100次学习训练,像素精度达到98.57%,平均像素精度为91.86%,平均交并比达到82.41%,表明该路面病害语义分割方法在进行路面病害分割时总体表现良好。