随着我国公路系统的积极建设和机场数量的增多,路面不可避免地会出现不同程度的病害。在这些病害中,裂缝是最常见也是最严重的。现阶段的路面裂缝检测任务中主要是以人工检查方式居多,检查过程中劳动强度大且检查效果差。所以,实现迅速准确地掌控路面关键信息,逐步实现路面缺陷的自动化检验,是现阶段需要解决的重要任务。伴随着深度学习技术的不断发展,其识别准确度逐渐远超传统识别算法。相较于传统识别算法,深度学习技术可以自动地提取原始图片特征从而进行抽象表达。综上所述,本文针对路面裂缝识别问题,基于深度学习的图像分类技术,提出了两种能够自动识别路面裂缝的实用方法。本文的主要内容有:首先,阐述国内外路面裂缝识别的研究现状,并详细介绍了深度学习卷积神经网络的主要原理与理论,即卷积神经网络的整个框架、结构特性以及神经网络训练的全部流程。其次,本文提出一种将Res Net50和CBAM相结合的卷积神经网络模型,提高网络对路面裂缝特征的提取能力,从而有效地识别路面裂缝图像。实验表明该网络模型能有效降低网络过拟合,在实验中取得了96.31%的识别准确率。相较于传统的SVM方法以及其它典型网络模型,该网络在精确率、召回率和F1值都有所提升,结果证实了本文所提出的识别方法的有效性。最后,本文对初始CNN网络模型的结构及超参数进行有针对性的调整及优化,提出了另一种基于优化卷积神经网络模型的方法来识别路面裂缝图像,并在新的公开数据集上进行验证,取得了较好的识别准确率。再将本文提出的两种路面裂缝识别方法与目前主流模型算法进行对比研究,实验结果表明该模型在取得较优的训练精度的同时其训练效率也得到了提升。通过本论文研究,有益于进一步实现路面裂缝的自动化识别,促进了工程检测技术的智能化发展。