随着我国交通行业的快速发展,公路总里程数逐年递增。截止到2022年,公路总里程数已达528万公里。随着时间的推移,材料老化、车辆过载、天气等因素会造成不同程度的路面损害,常见的早期路面病害类型有裂缝和坑槽,若不能及时处理,不仅会影响人们的行车舒适度,行车安全也无法得到保障。因此,路面早期病害的快速、精准、实时检测对当前公路交通发展起着至关重要的作用。针对路面裂缝特征信息,提出一种计算机深度学习的路面裂缝智能检测方法,基于深度学习目标检测算法国内外研究现状,对如何提高在多尺度、多类别的路面裂缝检测速度和检测精度上进行分析和研究,研究内容包括:（1）分析深度卷积神经网络的基本框架及其原理;对两阶段训练网络和单阶段训练网络对比分析;并从网络训练方式、损失函数改进、样本数据预处理等角度,对深度学习网络结构进行优化和设计。（2）针对路面裂缝样本中特征信息不明显、背景噪声较大的问题,对比分析不同图像处理的滤波算法,选择能够增加路面裂缝边缘特征信息并降低背景噪声的均值偏移滤波算法和CLAHE算法相结合的方式对样本预处理,从而提高模型的检测精度;针对路面裂缝正负样本不均衡的问题,采用对比度变化、色彩变换、平移、翻转等方法对路面裂缝数据集进行扩充。（3）为提高深度学习网络在路面裂缝检测中的速度和精准度,针对YOLOv5网络模型进行改进优化,最终提出YOLOv5＿tiny路面裂缝检测模型。首先,针对模型检测速度较慢,计算参数较大的问题,将YOLOv5网络中的主干网络替换为Shuffle Netv2轻量型网络,避免网络特征提取时出现计算冗余。然后,为提高网络的识别精度,引入密集连接思想,将特征融合网络替换为PA-Dense Net网络,将特征信息重利用,增加网络在多尺度、多类别上路面裂缝检测的精度。采用在前向传播中梯度流较为稳定的Mish激活函数替换原本Re LU激活函数来提高模型稳定性,避免梯度爆炸和梯度消失引起的网络过拟合。最后,采用二元交叉熵损失函数替换原本的分类损失函数,保证网络训练时边界框的稳定回归。（4）为满足人机交互的需求,最后设计了基于Py Side2用户系统界面,通过使用Open CV函数实现对图片、视频、实时路面裂缝检测和检测结果的输出功能,经过测试基本能够满足早期路面裂缝检测需求。通过实验分析,本文所提出的基于改进YOLOv5＿tiny算法的路面裂缝检测方法能够有效提高原YOLOv5网络的检测精度和检测速度,能够为路面养护部门制定早期路面养护方案提供科学依据。