及时、准确地进行路面裂缝检测是保证道路安全的一项重要工作。人工检测方法耗时、且极易受人为主观因素的影响,虽然基于深度学习的方法在裂缝自动分类和识别方面取得了很大进展,但仍存在抗干扰能力差、模型参数大、检测效率低等问题,并且很难在检测精度和检测速度之间取得很好的效果。为此,本文提出了一种混合深度聚合网络及注意力机制的路面裂缝自动检测算法,具体工作如下:（1）本文利用无人机采集了3000张包含9种噪声干扰的真实路面裂缝图像,然后对裂缝图像进行增强和像素级的标注,最后使用重叠滑动窗口技术对裂缝图像进行裁剪,从而建立一个真实可靠的路面裂缝数据集。（2）为了深入理解深度学习模型在裂缝检测中的原理和存在的挑战,本文研究了基于Deep Labv3+的路面裂缝检测算法。接下来,本文将Seg Net网络和全连接条件随机场模型（Dense Condition Random Field,DCRF）有效结合,提出了一种基于Seg Net-DCRF的路面裂缝检测算法。（3）为了在裂缝检测精度和检测速度之间取得更好的效果,并提高模型的抗干扰能力,本文提出了一种混合深度聚合网络及注意力机制的路面裂缝自动检测算法,该算法集成了深度聚合网络以及空间和通道压缩与激励模块的思想,可以最大限度地利用多尺度接收场多次细化裂缝检测结果,同时提高模型的实时推理能力,并且模型包含多个相互关联的编码流,可以将高层上下文信息融合到编码特征中,从而提取裂缝的高层特征和低层细节。此外,注意力机制可以增强重要的信息特征,同时抑制空间和通道中不重要的信息特征,从而有效的提高裂缝检测的准确性。（4）本文对检测后的裂缝图像进行形态学的膨胀和腐蚀操作,然后使用改进的Zhang-Suen（ZS）细化算法提取裂缝骨架。最后,根据裂缝的几何特征求取裂缝的物理尺寸,从而综合评估路面的健康状况。