道路坑洼是一种常见的道路病害现象,交通运输的过程中容易诱发交通事故,在雨雪天气之后的湿滑路面情况更为严重。无人驾驶是未来交通运输和汽车工业的发展方向,为了实现汽车驾驶过程中对道路坑洼进行快速、准确检测,从而降低交通事故的发生保护人民的生命财产安全。本文研究了基于深度学习中的U-Net网络模型针对道路坑洼影像语义分割的方法,但目前的研究没有充分考虑U-Net特征提取网络层级较浅无法表征复杂环境下的坑洼特征,而导致的分类精度低的问题。同时分类后的道路坑洼Mask掩码图像存在错分现象、坑洼特征漏分现象、坑洼边界分割不平滑等问题。针对上述描述道路坑洼检测的相关问题,主要研究如下:（1）对湿滑路面坑洼数据进行了采集,本文所用道路坑洼图像由车载相机拍摄真实的反映了车载摄像头所能感知的路况信息,并结合数据增强技术制作语义分割数据集,提升了图像的表达能力,避免网络训练过程中出现过拟合的现象。（2）提出基于ResNet-34特征提取网络改进U-Net网络构建更深层次D-UNet语义分割网络模型,利用ResNet-34特征提取网络的残差学习结构可以有效避免提取道路坑洼特征时出现梯度消失和梯度爆炸现象,更有利于雨雪天气之后提取道路坑洼目标。（3）针对湿滑路面坑洼影像存在细小错分现象、坑洼特征存在漏分现象、坑洼边界不平滑的问题,导致分割结果不完整。本文通过引入全连接CRFs对分割的道路坑洼Mask掩码图像进行后处理,即D-UNet网络结构与全连接CRFs相结合搭建D-UNet+CRFs网络模型,利用网格参数搜索法得到全连接CRFs的最优参数,达到最佳后处理效果。实验结果表明,改进后的D-UNet+CRFs语义分割网络模型平均检测精度M-IoU达到了90.33%,相比较改进之前的U-Net网络模型平均检测精度M-IoU提高了 5.99%,能够有效的对雨雪天气之后的湿滑路面坑洼进行语义分割,实现像素级的识别精度。