传统的公路裂缝识别算法主要使用图像处理相关技术来获得裂缝图像特征。这类方法在提取裂缝图像深层次特征方面效果欠佳,且识别效果也很难达到预期效果。随着计算机视觉技术和机器学习的发展,模拟人的大脑思维逐层提取样本特征存在可能,相关专家据此提出了具有多隐层结构的深度网络架构,该架构主要采用非线性函数映射、参数共享、局部连接等方式逐层提取样本特征,获得的样本特征具有一定的抽象性、判别性,较适合分布复杂的多分类问题。自从深度学习理论被提出后,立刻引起众多领域专家学者的强烈关注,成为人工智能领域的潮流。本文将深度学习方法应用于裂缝识别,进行了以下三项工作:第一,介绍了公路裂缝识别技术在国内外的应用现状以及其在图像处理领域和深度学习领域的进展,阐述了深度学习理论的概念,核心思想,工作原理及特征,详细介绍了常见的深度学习模型及工作原理。第二,针对公路裂缝受到障碍物、随机噪声等干扰因素影响时导致的低识别问题,提出一种基于卷积神经网络的公路裂缝识别方法。在卷积层,用膨胀卷积过程替代传统卷积过程,在聚合层,用阈值聚合方法替代最大聚合和均值聚合方法,然后用决策树分类器对收集的特征进行精确分类。实验表明,改进后的CNN网络较之传统的在收敛性能上可提升18.36%,错误识别率可降低26.74%,因此改进后的膨胀卷积神经网络具备更强的泛化性能和鲁棒性。第三,鉴于公路裂缝受到路面光照、杂物反射、散射等光照因素影响导致的识别率欠佳问题,提出了一种基于SDHR的多通道卷积神经网络公路裂缝识别算法。首先利用SDHR算子提取裂缝全局和局部纹理特征,然后输入卷积神经网络进行卷积操作及池化操作,接着把输出的局部和全局特征进行串接,并通过PCA算法实现有效的特征降维,最后用softmax分类器实现准确分类。经过10个模型交叉实验表明,本文方法的正确识别率可达97%,平均正确率为85%。因此该方法不仅能较好的提取裂缝特征信息,还可显著提升裂缝识别精度。