随着我国公路网的快速发展,公路安全问题得到越来越广泛的关注,为了保障人民生命安全、减少国家财产损失,公路基础设施需要得到有效养护,出现故障需要及时得到处理。由于天气的影响、车辆的碾压以及公路质量本身存在问题,公路基础设施故障发生率久高不下,为了更好更快地对公路基础设施故障进行处理,需要工作人员及时发现故障,而人工检测方式往往不能及时发现故障。所以,如何准确快速地对公路基础设施故障进行检测成了热点研究问题,公路路面病害检测是公路基础设施故障检测的热点研究问题之一。公路路面病害自动检测是一项具有挑战性的工作,基于数字图像处理方法的公路路面病害检测具有较好的检测效果,目前应用较为广泛。但是,传统的公路路面病害检测算法在图像深层次特征提取方面表现欠佳,难以达到预期检测效果,机器学习与深度学习的发展使公路路面病害检测效果得到了较大提升。针对以往检测算法检测效率低、定位精度差的问题,本文分析了公路路面病害类型与图像特点,提出了一种基于深度学习的检测算法。本文主要研究工作如下:首先,分析了公路路面病害检测领域国内外研究现状与目标检测领域研究现状,比较了国内外公路路面病害检测算法与目标检测算法,并对传统目标检测算法与基于深度学习的目标检测算法做了深入研究。在此基础上,提出了一种基于Faster R-CNN(Faster Region-Based Convolutional Neural Networks)的公路路面病害检测算法。其次,对Faster R-CNN的结构与工作原理进行研究。针对原Faster R-CNN结构中的非极大值抑制(Non Maximum Suppression,NMS)算法造成的同一幅图像中病害间相互抑制的问题,提出应用NMS的改进算法Soft-NMS对NMS算法进行替代,从而减少了检测框的冗余度与病害的漏检率,提升了检测精度。最后,为了进一步提升Faster R-CNN在公路路面病害检测上的性能,本文应用了数据增广方法与迁移学习方法。数据增广方法即通过几何变换增加了公路路面病害图像的数量与特征多样性。迁移学习方法即利用ImageNet数据集对Faster R-CNN进行预训练,并在预训练模型的基础上用制作的公路路面病害数据集对参数进行优化,最终用于公路路面病害检测中。这两种方法提升了算法模型的鲁棒性、减少了过拟合,从而提升了检测精度。