良好的路面状态是保证道路交通安全的前提条件,快速准确地获取路面缺陷信息,规避道路安全威胁,已成为道路养护的首要任务。目前人工检测方法成本高,危险系数大,易受人为影响导致漏检误检现象发生。因此,借助技术手段实现路面缺陷检测具有重要的研究意义。作为经典的图像检测技术,全卷积神经网络（Fully convolutional networks,FCN）在深度学习领域应用广泛,为提高现有路面缺陷检测算法的性能,本文将FCN引入路面缺陷检测中并进行算法优化及检测系统设计研究。主要内容如下:（1）针对经典的FCN对细小特征提取不够完善,且未考虑到空间一致性的问题,提出了一种多尺度全局FCN算法。该算法由三个不同空洞率的单尺度模块并行构成多尺度空洞卷积结构,在不损失分辨率信息的前提下扩展感知范围,从而感知细小特征。同时利用反卷积层对网络深层信息与浅层信息融合,进一步扩充图像细节。并在此基础上增加条件随机场（Conditional random field,CRF）结构,实现网络与CRF的端到端连接并计算损失值,完成全局像素信息的传递。实验结果表明,该算法既可有效识别细小缺陷特征,又兼顾像素间的全局依赖程度,显著提升路面缺陷检测性能。（2）为减轻卷积神经网络的计算量负担,现有算法常采用以深度可分离卷积为核心的轻量化算法替代常规卷积,但会因节点特征退化和信息流通不畅现象导致检测准确性下降。为此提出一种融合压缩激励网络（Squeeze and excitation networks,SENet）与深度可分离卷积的轻量化算法。该算法利用深度可分离卷积对各通道信息依次进行学习与融合,并将SENet模块与第一个深度可分离卷积层做通道加权,通过调节通道间特征参数,完成特征重标定,从而弥补节点特征退化和信息流通不畅现象。实验结果表明,该算法可在减少模型计算量与复杂度的同时,有效地避免检测准确性的损失。（3）基于上述两种改进算法,利用Py Qt对路面缺陷检测系统进行设计开发。该系统具有单张或多张图像检测功能、缺陷程度评价功能、数据存储与查询功能。测试结果表明,该系统可准确实现路面缺陷自动化检测,并通过计算缺陷程度的相关参数,确定路面缺陷状况,为路面定期维护提供准确数据。本文所做工作可有效提升路面缺陷检测准确性,降低模型复杂度和计算量,具有一定的实用价值。