随着我国经济快速发展，越来越多的公路设施投入运营，公路结构检测和日常维护成为了保障公路长期安全服役的重要环节。公路运营期间，由于受到人为或自然因素影响，常常出现不密实、脱空、空洞等诸多结构性病害，严重影响公路运营安全和服役寿命。研究公路结构病害的检测与识别方法，保障公路长期安全服役具有实际的科学意义和工程价值。
　　探地雷达（Ground Penetrating Radar，GPR）作为一种高效、无损、便捷的检测技术，已成为公路结构病害检测的常用方法。然而，由于公路结构病害复杂多样，探测数据量大和探测环境复杂等原因，探地雷达难以在公路检测领域进一步的推广应用。目前主要存在以下问题：1）人工识别效率低，误差大，而传统机器学习方法依赖于个人经验及人工设计特征，难以实现病害自动识别。2）目前公路结构病害识别仅限于“定性”识别，无法获取病害具体形态特征和估计病害实际深度位置。3）探地雷达在复杂环境下进行探测时，采集到的信号往往会包含大量的噪声干扰，甚至出现目标信号被完全覆盖的情况，影响对病害目标的判读。
　　针对以上问题，本文以实现公路结构病害自动识别为主要目标，提出了基于深度学习的公路结构病害快速识别算法，用于公路结构病害的初步快速识别。在此基础上，提出公路结构病害定量识别算法，用于二次详细识别；除此之外，本文提出采用独立成分分析方法滤除回波信号中的噪声干扰，取得良好效果。本文主要研究工作及成果如下：
　　①针对公路结构病害人工识别效率低的问题，提出了基于Faster R-CNN（Regions with Convolutional Neural Network）的公路结构病害快速识别算法，可从探地雷达探测图像中快速普查病害。针对公路结构病害识别任务的特点和难点，提出采用Soft-NMS（Non-maximum Suppression）和数据增强方法改进Faster R-CNN，同时引入迁移学习策略，有效防止过拟合，增强模型鲁棒性，提高了识别精度。通过与基础版本Faster R-CNN进行对比实验，验证了本算法的优越性。
　　②针对现有算法无法获取病害的形态特征和估计病害实际深度位置问题，提出了基于Mask R-CNN的公路结构病害定量识别算法，可以用于公路结构病害的二次详查。本算法在实现公路结构病害自动识别的同时，从像素级背景中获取目标的形态特征，结合Canny算法提取目标轮廓特征，经过曲线拟合后，根据基于特征曲线的速度估计方法估算电磁波传播速度，最终实现对病害目标的深度位置估计，完成定量识别任务。
　　③针对复杂探测环境下雷达采集到的回波信号中包含高强度的噪声干扰问题，提出采用独立成分分析方法对含噪信号进行处理。针对工频干扰特点，采用基于和差角公式构造输入信号的方法解决欠定盲源分离问题。同时对于高强度随机噪声，提出基于分形维数约束的FastICA去噪算法，结合高斯滤波，对高强度随机噪声进行滤除。通过仿真实验分析，本文所提算法的去噪性能良好，特别对于低信噪比情况去噪效果佳，能为后续对病害目标的判读和识别奠定基础。