近年来,深度学习技术快速发展,各种高性能神经网络模型相继被提出,并在各个领域得到了广泛应用。将卷积神经网络（Convolutional Neural Network,CNN）应用于路面裂缝智能检测不仅是当前的研究热点之一,而且具有工程实际意义。数据集是训练CNN模型的关键,也是影响裂缝检测效果的主要因素。但传统的监督学习方法需要大量标记的数据集,存在不足之处。一方面,标记过程需要消耗大量劳动力;另一方面,由于裂缝没有固定形状特征,标记易出现人工偏差。针对这些问题,本文开展了基于卷积神经网络模型的路面裂缝检测研究,提出了结合伪标签学习和自校正的改进半监督学习方法。该方法以数据集为研究对象,以获得高质量数据集和高性能神经网络模型为目标,通过半监督学习方法开展了以下几个方面的研究:降低裂缝检测数据标记成本、定义裂缝图像数据分类标签、确定裂缝区域定位中目标对象标记方式、以及分离裂缝语义分割结果中的裂缝像素与其上下文信息。全文的主要工作如下:（1）通过伪标签学习将路面裂缝和背景各单类划分多序列子类,扩展了神经网络模型泛化能力,并提高了裂缝检测精度。路面裂缝图像的实验验证了提出方法的有效性。（2）针对裂缝数据标签不一致问题,提出了自校正技术,纠正了原始标签中的错误,提高了数据标记质量。（3）综合多个模型分阶段检测路面裂缝,即首先通过图像分类模型Dense Net结合滑动窗口或直接使用目标检测模型Faster R-CNN对道路图像中裂缝所在的区域进行定位,然后使用Deep Labv3+进行对裂缝区域语义分割识别裂缝,获取裂缝像素等信息,计算裂缝长度等参数。研究结果表明,提出的方法能够降低误检率,减少人工标记路面裂缝数据集的工作量。