我国已运营的公路路基病害呈现种类多样与数量多发的增长型趋势,路基病害导致的道路安全事故发生越来越频繁。查明路基隐伏病害的位置、形态和发育程度并针对性处理,对运营期公路的安全运营和养护具有重要意义。目前地质雷达等无损检测方法越来越多的应用于路基病害的检测。但随着检测图像数据量的日渐增加,以主观经验判断为主的人工数据处理和解译方法已难以满足路基工程养护作业量日益增长和对灾害精确快速识别的需求。本文从运营期公路路基病害地质雷达无损检测工作出发,以实现地质雷达路基病害图像的快速、智能识别为目的。采用地质雷达正演模拟、复信号技术和图像处理等方法研究不同形态、不同发育程度和不同填充物的路基病害地质雷达图像特征和信号属性。基于路基病害地质雷达图像判识特征和现场检测数据,建立地质雷达路基病害图像数据集,实现基于深度学习理论的路基病害图像目标检测识别和分类。主要研究成果如下:（1）分析并讨论了路基疏松、脱空和空洞病害的形成机制,结合地质雷达探测原理和方法,总结不同路基病害的地质形态和地质雷达图像特征;（2）建立了公路路基多层复合结构模型,采用正演模拟软件（Gpr Max）对不同发育程度、不同形态、不同位置和填充介质的路基病害进行仿真模拟,分析了不同条件下的路基病害异常特征和路基病害图谱判识特征规律;（3）基于复信号分析和图像处理等方法对路基病害正演模拟的结果进行分析,分析病害图像特征中振幅、相位和频率等瞬时属性,获取不同路基病害的瞬时响应特征。剔除直达波和信号增益,降低直达波的干扰,压制强反射波,增益弱反射波。提高了路基病害地质雷达检测解译的精度。（4）基于Pytorch深度卷积神经网络框架,采用基于回归分析理论的SSD、YOLO v3和YOLO v4等目标检测识别算法,开展了路基病害图像目标检测识别和分类试验。得出,YOLO v3的平均检测精度为76.69%,SSD的平均检测精度为75.07%,YOLO v4的平均检测精度为65.08%。（5）采用Precision、Recall、F1、Ap和Map等多个评价指标对路基病害图像的检测效率和检测精度进行评估,并验证了YOLO v3和SSD目标检测算法应用于运营期公路路基地质雷达无损检测智能识别和分类的可靠性。