随着城市化的推进,交通基础设施逐步改善,我国设计并建造了多种道路以满足不同的地理和用途需求。但是长期使用后,自然环境因素和人为因素容易导致道路受损从而出现各种病害问题。这不仅会降低驾驶的舒适性,而且长期积累和未及时修复还会造成安全隐患。因此,及时检测道路病害问题变得尤为重要。三维探地雷达凭借其识别道路结构内部状况的能力,是目前常见的道路状况检测手段之一。然而,由于道路数量众多,三维探地雷达采集的图谱数据成像复杂,传统的人工识别方法效率低下且耗时长。目前,雷达图谱道路病害检测领域的重点是使用自动检测作为人工检测的替代方法。雷达图谱数据包含多视图信息,现有研究通常仅考虑某一方向上的雷达剖面信息,难以充分利用多视图数据。同时,深度学习算法中模型参数的训练往往需要大量已标注的样本数据,样本数据量的大小决定了模型的优劣。然而,带标注的雷达剖面数据的稀缺严重限制了相关研究的发展。因此,雷达数据的多输入特征和标注稀缺性是基于雷达图谱数据的道路检测研究领域遇到的重要挑战。因此,分析雷达图谱数据中存在的多视图输入、不均衡的数据分布、无关干扰信息多、样本数量少这四个特性后,本文基于注意力融合和知识蒸馏提出一种多视图道路病害检测的两阶段模型。为了在样本数量较少的情况下充分利用多视图雷达数据的多输入特征,本文提出了基于注意力融合的双塔模型（Dual-AttFusioNet）,通过深度学习进行自动特征提取以实现自动检测道路病害类别。首先,对数据进行有效预处理,并且使用上采样、数据增强等方法平衡、扩充数据集。然后,结合通道间注意力机制和视图间注意力机制实现高效精准的道路病害的端到端检测与识别。为了进一步提高模型在道路检测设备中的实际应用能力,降低硬件成本并加快判定速度,本文使用知识蒸馏技术对注意力融合双塔模型进行蒸馏以训练参数量较少且浅层的模型轻量化稠密连接网络（DenseNet-63）和轻量化卷积神经网络（CNN-6）。实验结果表明,本文提出的模型仅使用较少的参数和计算,在原始数据集和增强数据集上都能达到较高的精度。