随着我国道路交通的快速发展,道路交通对人们的出行变得尤为重要,然而,路面灾害问题,尤其是道路裂缝,一直严重影响着道路行驶安全,对道路的养护、病害路面的精准定位等需求变得更为迫切。目前,道路裂缝在实际检测中还是以人工检测为主,存在成本高、耗时长、效率低、检测效果差等问题。近年来,随着高分遥感技术的发展,高分辨率、高光谱、高时相的遥感影像产品逐渐影响着人们的生活,利用高分遥感影像,能清晰的看到路面情况。在目标检测上,随着深度学习的发展,目标检测的准确率逐步提升,且深度学习避免了人工设计特征的弊端,极大地提升了目标检测的效率。因此,本文针对道路裂缝检测过程中存在的问题构建了一种多视角卷积网络(Multi-PerNet)来提取遥感影像的特征,并基于Faster R-CNN框架,使用该网络训练遥感影像道路裂缝目标的检测模型。在模型训练过程中,先对影像进行增强处理,并建立样本集,然后输入训练样本影像和影像对应的标签,先利用多视角卷积网络(Multi-PerNet3)提取输入影像特征,得到Feature map,利用k-means聚类获取训练样本里汽车区域的面积及宽高比的分布情况,然后基于聚类结果,利用Faster R-CNN里的区域生成网络生成候选窗口,并将候选窗口映射到Feature map,得到候选窗口的特征,最后将候选窗口及其特征输入分类器进行训练,得到检测模型。以该模型进行检测实验,实验结果表明:以Multi-PerNet3作为特征提取网络进行训练得到的模型相比于ZF-net得到的模型,检测准确率提升了6.2%;相比于PVANet,检测准确率提升1.8%,模型大小减小了26.0%,单张影像的检测速度为0.06s/张,满足实时检测的需求。本文提出的遥感影像下基于多视角卷积神经网络的道路裂缝检测方法能实现快速准确的道路裂缝定位检测,为道路裂缝危险等级的判断提供了基础,同时也为道路养护、道路安全提供一定的基础。