可靠的路面性能衰变模型对有效的路面养护管理系统至关重要,而路面性能动态衰变的复杂特性对经验路面性能衰变模型提出了及时更新的需求。并且,考虑到智能路面养护管理的需求以及先进数据收集和分析技术的持续发展,对经验路面性能衰变模型的参数进行自适应更新具有重要意义。为此,本文对衰变模型参数自适应更新的新方法进行了探索和研究,主要内容包括:（1）本文根据对新增路面性能观测数据的使用方式,将现有的路面性能衰变模型的参数自适应更新方法分为基于样本更新、基于参数信息和基于预测误差三类。以此为据,对各类方法的特点进行了总结,并从新旧知识记忆、样本数据存储量、模型更新条件和模型更新评价多个方面做了有关讨论与分析。发现目前用于衰变模型参数自适应更新的方法在更新条件的设置和更新效果的评价方面还有待改进。并且,基于样本更新的重训练法和灰色新陈代谢模型分别在样本数据存储和旧知识的记忆方面存在不足;（2）结合宾夕法尼亚州的州际公路系统的路面性能观测数据特点,本文对路面性能评价指标和考虑的影响因素进行了选取与处理。随后将路面性能指标进行划分得到对应路面性能等级。利用划分的样本子集a,基于深度神经网络建立了路面性能衰变模型Ⅰ,用于对不同路面性能等级对应的概率进行预测。结果表明,所建立的模型Ⅰ在数据子集a的训练数据集和验证数据集上的准确率分别为0.8841、0.8486,具有较好的拟合能力,可用做自适应更新研究的初始路面性能衰变模型;（3）针对分析的现有路面性能衰变模型参数自适应更新方法的不足,本文提出了基于持续学习的衰变模型参数自适应更新的框架。该框架重点涉及动态阈值和数据缓冲区的设置、利用持续学习算法进行模型更新、将陌生值缓冲区充满设为更新条件等内容。随后在不同条件下建立了路面性能衰变模型用于对比研究,并利用拟合准确率、预测准确率和遗忘率对各模型进行评价。结果表明,基于本文提出的自适应更新框架所建立的模型Ⅳ对路面性能变化具有较好的持续记忆性,并且准确率的整体变化趋势与基于样本子集a和b建立的模型Ⅱ的趋势较相似。对比利用每年样本数据进行参数更新的模型Ⅲ来说,模型Ⅳ在遗忘率方面降低了89.7%,一定程度上缓解了模型的灾难性遗忘。此外,相比于利用样本子集a所建立的衰变模型Ⅰ,模型Ⅳ在预测准确率方面提高了55.2%。