公路在长期使用过程中,会出现不同程度的磨损。路面裂纹作为公路磨损的主要表现之一,直接威胁着车辆的行驶安全,影响公路的使用寿命。随着我国交通系统的快速发展,道路的养护工作也在智能交通系统中扮演着越来越重要的角色。传统的路面裂纹检测主要是通过人工的方式,这种方法会耗费巨大的人力物力,同时存在检测耗时长,准确率低,危险性高等缺点,已经无法满足我国交通系统的发展要求。因此,如何设计一种智能化的路面裂纹检测方法,能够自动高效的检测路面的裂纹在智能交通领域具有重要的研究意义。近年来,随着信息技术的快速发展,特别是图像处理技术和深度学习技术的快速发展,利用计算机视觉技术代替传统的人工方法进行路面裂纹检测受到了越来越广泛的关注。本文针对路面裂纹与周围环境对比度低、强度不均、拓扑结构复杂等挑战,将卷积神经网络的深度学习方法引入到路面裂纹的检测中。设计了一种基于端到端、可训练的深度卷积神经网络的路面裂纹检测新方法,来完成对路面裂纹像素级别的检测。本网络是基于编码器-解码器架构,并利用改进的金字塔模块实现了多尺度检测,从而从全局的角度获取复杂拓扑结构的裂纹信息,增强检测到裂纹的连续性,同时在编码器-解码器网络中引入空间和通道结合的注意力模块来细化裂纹特征信息,增强网络的表示能力。此外由于路面裂纹信息在特征图分辨率减少的过程中会存在损失现象,这对于小目标的检测任务是致命的,因此本文利用空洞卷积来减少裂纹的细节损失。此外在对裂纹进行像素级别的检测后,参考现有对路面裂纹的分类方法,本文设计了对路面裂纹类型的划分算法,将路面裂纹分为横向裂纹,纵向裂纹和龟裂裂纹,并对路面裂纹宽度,长度等特征信息进行了测量。为了证明本方法的优越性,在三个公开数据集进行对比实验,通过实验结果可以看出,该方法相比现存的路面裂纹检测方法能够更加准确、有效和快速的检测出裂纹区域,并具有和人类视觉特性相符合的检测结果。