公路作为交通运输业的基础在国家经济发展历程中占据着重要地位。由于超载、使用保养不当、长期雨水的腐蚀等问题,有些路段出现开裂、剥落等不同程度的损害。路面裂缝通常被用来衡量道路质量的好坏,如果能及时发现初期的裂缝并对其进行修复和跟踪,那么人力、物力和财力的消耗将会极大减少。因此,路面裂缝检测成为当前的重要研究课题,及时的检测修复路面裂缝也是道路养护工作的重要内容。传统基于数字图像处理的裂缝检测方法对于噪声较大且拓扑结构复杂的裂缝图像,其去噪声的能力较弱且泛化效果不佳。针对该问题,本课题中采用深度学习的方法进行路面裂缝识别,利用卷积神经网络（Convolution Neural Network,CNN）丰富的层次特征,提出结合多尺度扩张卷积和双重注意机制的裂缝检测网络模型。本文的主要工作内容和创新点如下:1.针对基于数字图像处理的路面裂缝检测方法对拓扑结构复杂且受噪声影响较大的裂缝图像,在检测过程中存在精度较低泛化性能差的问题,本文研究基于深度学习的裂缝检测方法,用深度残差网络来进行特征的提取,同时为提取到更多有意义的特征本文在骨干网络中引入双重注意力模型,通过在残差网络中嵌入注意力机制来增强网络模型对裂缝像素的重点关注。2.针对在特征处理过程中网络加深特征图分辨率减小丢失大量细节信息的问题,本文研究采用多尺度扩张卷积的方法,在不减小特征图分辨率的情况下增大卷积核的感受野,从而提高网络模型对裂缝像素的定位能力。3.针对深层网络感受野较大语义表征能力强,浅层网络特征图分辨率高细节信息丰富的问题,采用特征金字塔融合的方式将深层语义信息逐层与浅层细节信息充分融合从而提取到丰富的裂缝特征。最后采用侧边融合网络将提取到的各个层次特征进行整合得到最终的裂缝预测图像。本文在4个数据集上进行训练与测试,实验结果表明,改进的卷积神经网络模型对于混泥土路面和沥青路面上的细裂缝、宽裂缝、以及拓扑结构复杂的裂缝均具有较好的识别能力,比原始的Res Net-101模型在F-score值上提升9.9%,证明本文所提出的网络模型具有较好的泛化能力。