高速公路极大地方便了人们的出行,促进了经济社会的发展。各类道路异常的存在威胁着车辆安全,也会缩短道路的使用年限。及时、准确地检测道路异常有着重要的现实意义。受背景变化影响,传统数字图像处理技术对目标识别的泛化能力弱,而卷积神经网络能够更有效地解决该问题,因此,利用卷积神经网络进行道路异常检测研究是道路巡检系统发展的趋势。通过定义高速公路道路异常,将道路裂缝、变形、松散、标线以及异物作为检测对象,分别建立了道路异常检测和分割数据集。为准确、快速地识别各类道路异常,以深度学习目标检测算法YOLOv5为基础进行道路异常检测研究。针对高速公路道路异常尺度多变导致算法对目标识别的精度不足,以及对无人机视频中小尺寸目标检测率偏低的问题,通过添加融合深度可分离卷积的DS-GAM注意力实现更精细化的特征提取,提高道路异常的识别能力;引入Softpool池化优化空间金字塔池化网络以增强模型对多尺度目标的检测效果;采用考虑尺度序列的特征金字塔网络,改善对小尺度道路异常检测的鲁棒性。经过实验,相比YOLOv5,改进算法在高速公路道路异常检测数据集上获得更高的精度,适用于无人机高速公路巡检系统中道路异常的分类识别。为实现道路异常的量化评估,在检测的基础上,首先运用语义分割中结合编解码与特征金字塔结构的Deep Labv3+算法完成道路异常的像素级分割。为解决算法结构复杂造成实时性差、对道路异常边缘分辨不准确的问题,将轻量化Mobilenetv2作为特征提取网络,提高道路异常的分割效率,并在骨干网络末端引入SE注意力,弥补因模型层数减少对分割精度产生的消极影响,提高道路异常特征的表征能力;在空洞空间金字塔池化网络,将GSConv卷积运用到多尺度特征变换,进一步降低模型的复杂度;同时以骨干网络的多级特征作为解码部分输入,通过丰富目标的边缘信息提高对多尺寸道路异常分割的准确性。在分割的基础上,根据各类道路异常的特点,分别以裂缝像素长度、标线完整度以及松散、变形和异物的像素面积评估不同类异常。经过在道路异常分割数据集上的实验,改进算法实现了更准确的异常分割并进一步得到评估结果。在前面研究的基础上,设计了高速公路道路异常检测系统软件,并采用Qt Designer完成可视化界面的开发,实现对输入巡检视频中道路异常的检测与评估,最终将结果存入数据库。经过测试,系统软件能够有效提高道路异常检测与分割的精度,进而得到直观的量化评估结果,为高速公路巡检养护提供技术支持,具有一定的应用价值。