公路交通系统建设规模的扩大给社会经济带来巨大发展的同时,道路安全问题也日趋严重,其中由于降雨、降雪等不利气象因素引起的路面结冰、积雪、积水等状态进而诱发的交通事故逐年增多。因此,在恶劣天气条件下实时监控、准确识别不利的路面状态并及时做出预警和反应,对于保障公路网络的安全运营具有重要现实意义。现有的路面状态识别技术大致可以分为接触式和非接触式两种,接触式方法由于安装维护成本高、检测范围小等缺点在实际应用中作用有限,而非接触式中基于图像的方法随着道路监控系统的普及而逐渐成为研究热点。利用图像分割算法来细粒度地划分混合路面状态区域是一个新的研究方向,具有很好的实践价值和应用前景。论文致力于通过对道路表面图像数据的处理来识别路面状态,运用前沿的深度学习语义分割算法实现复杂混合路面状态的准确识别和分割。首先研究了基于深度学习的语义分割算法的基本原理及网络结构,通过实验对比了各个算法在自制的混合路面状态识别数据集上的分割精度和执行效率,选择识别精度高并且实时性好的U-Net作为算法的主干网络结构。后续针对道路表面状态识别这一具体应用场景,待识别的类别之间相似度高、需要获得大范围、多层次语义信息的特点,分别从集成上下文信息和多尺度信息融合两方面提出了改进方案,设计了基于级联空洞卷积模块的D-UNet网络和基于改进的空洞空间金字塔池化模块的ASPP-UNet网络,以进一步提高算法的识别精度。论文在自制的混合路面状态识别数据集上进行了多组对比实验,寻找出合适的参数设置,最终平均像素准确率和平均交并比分别可以达到87.28%和79.30%,验证了两种改进方案的有效性,为解决混合路面状态的识别问题提供了实践参考。