随着我国公路建设投资规模的不断扩大,2020年末公路通车总里程已达到510万公里,且随着经济的迅速发展,公路使用频度日渐增加,造成公路路面产生形状不同、尺寸不一的各种病害。如果不及时对病害进行处理,路面的平整度会受到一定影响,且随着时间的推移,公路路面病害会逐渐恶化,当病害达到一定程度时,将导致安全事故的发生。因此,对公路路面病害进行准确、实时的检测已成为公路交通发展亟待解决的关键问题,并具有十分重要的研究意义及实际应用价值。本文在基于深度学习的目标检测算法国内外相关研究现状分析的基础上,针对如何提高多类、多尺度公路路面病害的检测精确度和检测速度问题进行了深入的研究,主要研究内容如下:（1）首先分析深度卷积神经网络的相关理论,并对其基本结构中的输入层、卷积层、池化层、激活函数、全连接层等设计进行了研究;同时,从数据集扩充、损失函数的设计、网络训练方法等角度,对基于深度学习的目标检测算法设计及优化进行了深入研究。（2）针对公路路面病害存在的样本数据集小、正负样本不平衡而导致的检测精度较低的问题,提出基于改进YOLOv4的公路路面病害检测方法。首先,运用翻转、裁剪、亮度变换、加噪声扰动等方法对公路路面病害数据集进行扩充;其次,在CSPDarknet-53主干网络中,采用深度可分离卷积替代普通卷积,减少了网络参数的数量,提高了检测速度;然后,借助Focal loss的思想,对损失函数进行改进,解决了网络训练过程中正、负样本不平衡而导致的检测精度较低的问题。（3）为了进一步提高多类、多尺度公路路面病害的检测精度和检测速度,提出了基于改进YOLOv4-Tiny的病害检测方法。首先,在特征融合网络中引入FPG结构,通过采用多种横向连接方式,融合多层次特征信息,提高了多类、多尺度公路路面病害的检测精度;然后,将CSPDarknet53-Tiny主干网络中的CSPBlock模块替换为Res Block-D模块,降低了网络的计算复杂度,从而在保证病害检测精度的同时,进一步提高了病害检测速度。实验结果表明,本文所提的基于YOLOv4的公路路面病害检测方法可以提高多类、多尺度病害的检测精度和检测速度,并能够为公路的安全运营提供技术支持和解决方法。