路面损坏的智能检测技术能够有效提高路面巡检质量和效率,对保障公路交通安全具有重要的作用。常见路面损坏主要集中在各种类型的路面裂缝及坑槽等。而且,不同类型的路面裂缝在识别时具有一定的困难,主要由于裂缝类型多样、裂缝形状不固定以及路面裂缝背景复杂等因素。在此背景下,围绕公路路面损坏自动化检测技术展开研究工作能够更好地保障交通安全和稳定,助力我国公路系统的日常巡检工作。本文中,从车载相机拍摄的路面巡检图像出发,分别设计了基于卷积神经网络和transformer网络的路面裂缝检测方法Crack Net和Crack Former Net两种裂缝检测方法,能够对常见的路面损坏（包括横向裂缝、纵向裂缝、龟裂和坑槽四类）实现准确检测。而且,Crack Net方法检测速度较快,能够实时地对路面裂缝进行检测。同时,本文中还提出了一种按照裂缝几何尺寸划分的裂缝严重程度评估方法,该方法能够对多种类型路面损坏的严重程度进行有效评估。本文主要工作如下:（1）提出了一种基于卷积神经网络的路面裂缝检测方法Crack Net,该方法能够实时检测多种路面裂缝。该方法在原YOLOv5基础上,通过加入融合注意力机制,突出通道和空间两个维度上的重要特征。之后,使用任务空间分离头结构将不同的任务空间解耦,独立优化分类和回归两个分支,改善了最终的预测效果,有效地提升了路面裂缝实时检测算法的检测精度。（2）提出了一种基于transformer网络的端到端路面裂缝检测方法Crack Former Net,首先根据Swin Transformer设计了Multi-Scale Transformer骨干网络,用于提取裂缝的纹理特征。然后,通过使用Pre-LN Transformer结构,改变了网络中层归一化的位置,加速了模型的收敛。最后,在训练阶段通过将CIo U Loss和L1 Loss联合使用,作为网络的回归损失,进一步提升了裂缝的识别效果。实验表明,该方法能够有效地检测路面裂缝,提升裂缝检测精度。（3）提出了一种按照裂缝几何尺寸划分的裂缝严重程度评估方法,在路面裂缝检测结果的基础上,通过使用分水岭算法得到裂缝的像素级分割结果。之后,再通过提取裂缝骨架和坐标系转化,求解不同类型裂缝的几何尺寸（包括裂缝的长、宽以及面积）。最后,从实际巡检的可行性角度出发,提出了相应的裂缝严重程度评估原则,按照裂缝的不同类型和其几何尺寸即可对路面损坏的严重程度进行有效评估。