道路脱空病害是一种危害较大的结构病害,直接影响道路的使用寿命和性能,严重时可使路面表面产生凹陷,造成严重的生命财产损失。由于道路脱空病害具有很强的隐蔽性,单靠传统的检测技术已不能满足现代道路建设的要求。目前国内在检测道路脱空病害的过程中,存在着无法进行无损检测、精度低、自动化程度低等问题。本文将基于深度学习和探地雷达技术进行脱空检测的研究。本文的主要研究内容如下:（1）道路脱空病害的探地雷达数据特征研究。道路脱空病害的识别、检测是依据探地雷达采集的点阵信息经过数据处理生成的探地雷达剖面图片进行计算的。本文通过自动增益补偿,脱空切片,以及像素灰度值映射和Gamma数据增强等处理方式,使雷达采集的点阵数据转变成适合深度学习网络学习的图像数据。（2）基于多尺度融合和注意力机制（Multi-scale Fusion and Attention Mechanism）的道路脱空病害识别。针对探地雷达转换图像精度低、目标小等问题,本文提出了多尺度融合网络结构,充分利用上下文特征图信息来提高特征图的表示能力;也设计了一种新的注意力机制,在保证计算量的同时,卷积压缩全局像素,对原始特征图像素进行加权,减少噪声干扰,提高网络对全局关键像素信息的把握能力。结合以上两种创新设计的卷积神经网络结构,在道路结构脱空病害数据集识别的训练和测试中对比其他主流网络有明显的提升。最后,在公开数据集cifar10和cifar100上的实验结果中,也取得了较高的准确率,更加证明了该注意机制的通用性和实用性。（3）基于Faster R-CNN（Faster Region Convolutional Neural Network）对道路脱空病害进行定位。针对卷积神经网络精度不高且不能定位脱空位置的问题,本文设计了多种不同组合结构的Faster R-CNN进行结构优化训练,实现了基于探地雷达纵断面图的道路脱空病害检测和定位。最后,对基于Faster R-CNN的道路脱空病害检测方法与其它主流检测方法进行了比较,结果表明该方法具有一定的优越性。（4）基于Web的自动化道路脱空病害检测系统。本文参与设计了基于Web的自动化道路脱空病害检测系统,针对脱空识别检测中,存在漏报率略高的问题,本文使用了联合消除算法进行测试,在原有识别基础上进一步提高准确率,降低漏报率,最后给出了系统运行效果图,验证了本文自动化脱空检测的可行性。