快速、准确的裂缝自动识别对于保障交通安全具有重要的意义。近年来,随着道路流量的不断增长,道路产生的裂缝数量也在同步增加。路面裂缝不仅会使经过的车辆产生颠簸,还会对车辆的结构产生冲击,影响车辆结构完整性,危及乘员安全。学术界针对裂缝检测的研究已存在多年,提出了多种对于路面裂缝的检测方法,有效帮助了公路养护部门对路面进行维护。但维护存在滞后性,行驶在道路上的车辆本身应当具有发现裂缝并进行躲避的能力。对传统汽车来说,驾驶员具有识别裂缝并作出对应操作的能力,而对自动驾驶汽车来说,快速自动识别裂缝区域是后续躲避操作的前提。传统的路面裂缝检测技术存在检测准确率低、检测速度慢等问题,无法适应自动驾驶场景的需求。而本文提出了一种识别速度快、准确率高的方法,可以良好地满足自动驾驶场景下实时裂缝检测的需求,对于保障自动驾驶安全具有重要意义。现有的裂缝识别技术大多基于人工提取局部图像特征或边缘检测等方法,但是人工特征覆盖面有限,无法应对具有大量噪声的复杂路面图像。近年来,卷积神经网络由于其自动提取图像特征表示的能力受到了广泛关注,并有工作尝试将其应用于裂缝检测问题。但是现有的工作仍然只提取图片局部区域的特征进行分类,无法利用裂缝狭长连续的整体空间结构特性。本文针对此问题,对网络结构进行了改进,设计实现了具有较大感知域的神经网络,一方面较大的感知域有效利用了局部区域周边的上下文信息,另一方面可以从大量数据中自动学习裂缝的局部特征,可以良好地应对复杂情况。实验结果表明,本方法受图像噪声干扰较小,识别准确率优于传统方法,并且识别结果具有良好的结构完整性,已接近人工识别的水平。