公路运输是路上运输的两种基本方式之一,其既作为独立的运输体系也是物资集散的重要方式,对其安全性的保障一直是一个重大研究课题。众所周知,裂纹是一种十分常见且严重影响公路使用寿命和威胁公路运输安全的缺陷,及时准确的自动化裂纹检测对公路的维护工作至关重要。本文针对目前已有的裂纹检测方法在精度和便捷性的不足,提出了新的改进方案。本文的主要工作有:（1）针对目前裂纹检测网络存在感受野较为单一和不同尺度上下文信息利用不充分的问题,本文提出了基于多尺度的裂纹检测网络MSC-Net。该网络以U-Net全卷积网络作为基础架构,在其中引入多尺度模块（Multi-scale Crack Module,MSCM）,在尽可能不损失位置信息的基础上,丰富了网络在不同尺度下的感受野。同时引入多阶段的融合监督（Multi-stage fusion supervision,MSFS）,监督不同阶段下融合特征的检测结果。并引入边缘正则项,来提升裂纹边缘的定位效果。由于裂纹检测问题目前没有公认的数据集,且已有的裂纹数据集存在裂纹尺寸和背景纹理单一的问题,本文构建了一个包含多种尺寸和类型,多种背景纹理的裂纹数据集（Road Crack Dataset,RCD）。该数据集中共有350张裂纹图像,包含横向、纵向和网状等多种不同类型的裂纹和六种不同类型的背景纹理,保证了数据集中裂纹的多样性以及裂纹检测任务的难度。本文在所提出的RCD裂纹数据集上的实验结果表明,相比于目前该领域表现较为优异的DeepCrack而言其在F1-score上取得了6.8%的提升,在检测精度和召回率上分别提升了8.35%和4.41%。该结果证明了基于多尺度的裂纹检测网络MSC-Net的优越性,该网络显著提升了裂纹检测效果。（2）提出了基于融合策略的半监督裂纹检测方法。在基于图像语义分割的裂纹检测问题中,由于像素级的图像标注工作费时费力,精度也难以保证,因此极大阻碍了该类方法在实际任务中的应用。为此,本文提出了一种简单有效的半监督训练方法,该方法利用多种无监督算法将其预测结果融合后作为“伪标签”,以此简化像素级“伪标签”的生成。该方法仅需少量的全监督像素级标注信息,结合大量的伪标签,就能够显著提高网络的裂纹检测准确率。在所提出的RCD裂纹数据集上的实验结果表明,在全监督数据集和无监督数据集图像数目比例为1/15前提下,该方法取得了和全监督条件下SegNet与DeepCrack相当的实验效果。该结果证明了该半监督裂纹检测方法的有效性,其在保证一定检测精度的前提下显著降低了对手工标注信息的依赖和手工标注工作的负担。