汽车在不均匀积水路面行驶时,容易出现侧滑、偏驶等危险现象;当达到临界车速时,易发生“滑水现象”,导致车轮失控,从而引发交通事故。因此,路面积水状态检测对高速自动驾驶车辆在复杂环境下安全行驶有着十分重要的意义。目前,路面积水状态检测技术主要用于定性判断路面状态,不能进一步获取路面积水分布等信息,难以满足复杂路况下的自动驾驶需求。因此,本文依托国家重点研发计划:新型多功能智能车载终端研制及应用（2018YFB1600701）,针对以上问题,重点围绕基于迁移学习的路面积水状态识别方法和基于深度监督的积水区域分割方法展开研究,设计了基于嵌入式GPU平台的路面积水状态检测系统。首先,针对手工提取图像特征的路面积水状态识别方法容易受到外界环境干扰,从而造成识别泛化性能差,以及基于深度学习方法对数据量要求高等问题,提出一种基于迁移学习的路面积水状态识别方法。以Image Net数据集为源数据,将Inception V3的卷积层进行同构数据下的特征迁移,然后连接新建的路面状态分类层,从而建立路面积水状态识别模型。通过现场采集和网络搜索获取大量不同程度的路面积水图像来建立路面数据库,并完成模型训练和与测试。实验结果表明,本文所构建的模型与同类识别模型相比具有更高的识别准确率。其次,针对路面积水无固定形态且存在镜面反射干扰等问题,对比常见的语义分割网络,选择全分辨率残差网络（Full-Resolution Residual Networks,FRRN）作为分割网络框架。由于FRRN网络的损失函数无法兼顾全局像素,同时不能对低中层网络训练提供直接监督,因此本文在FRRN的4个解码层分别添加1×1卷积和Dice loss,建立基于DSFRRN（Deep-supervised FRRN）的路面积水区域分割模型,可以减少有效特征信息丢失,提高模型的非线性表达能力。通过标注大量积水图像建立积水分割数据集,采用5倍交叉验证法训练和测试模型。对比原模型和同类分割模型,证明了改进的模型具有最优的分割性能。然后,设计路面积水状态检测系统的硬件架构,完成图像采集、图像处理平台等硬件设备的选型;开发基于视频图像的检测程序,并根据硬件平台特点,将GPU并行处理与神经网络模型计算结合,加快系统的预测速度;配置Jetson TX2软件环境,为后续程序移植提供支持。最后,为了验证本文设计的系统对实际路面积水状态的检测具有鲁棒性和实时性,将系统程序以及模型权重移植到Jetson TX2嵌入式平台,搭建检测设备,进行多种天气下沥青路面积水状态检测实验。实验结果表明,系统具有较高的路面积水状态识别精度和稳定性,同时具有良好的积水区域分割性能和鲁棒性,且实时性能够满足路侧单元需求。