依靠计算机图像识别技术完成路面的裂缝检测,取代需要大量消耗人力、财力、时间的传统人工路面检测,有着非常广阔的现实意义。本文首先阐述了国内外路面裂缝识别的研究成果,介绍了卷积神经网络对于图像识别方向上的应用,建立了识别算法的基本流程框架。同时通过选择合适的路面图像打上标签,构建出路面图像数据库。接着对数据库进行预处理,加以突出裂缝的细节特征,以及剔除环境噪声等干扰因素的影响,使图像质量得以增强。本文使用的预处理方案有图像切割、中值滤波去噪、图像灰度均衡化、迭代法二值化分割、图像的腐蚀膨胀处理以及尺寸归一化处理,并通过实验对比证明了这些预处理方案的有效性。之后将预处理的输出图像输入到卷积神经网络中训练出路面图像的识别模型。并通过实验的结果数据加以优化模型结构,提高准确率,以及防止模型出现过拟合的现象。最终得到识别效果优秀的卷积神经网络结构。之后,针对误识别的路面图像,本文通过输出观察其特点,以及对比不同输入图像所构建识别模型的测试数据。发现了以灰度均衡化图像所构建的识别模型,具有很好的抗干扰能力,能更好的把握裂缝的细节特征,识别出带有路面阴影及刹车痕迹等干扰项的路面图像。而以二值化图像所构建的识别模型对于不带有干扰因素的路面图像,则具有更为优秀的识别能力。为了同时保留这两种模型的优点,本文设计实现了一种基于caffe双模型的路面裂缝识别算法,并通过实验证明了两种模型的优势互补能有效的提高最终模型的识别性能。而为了进一步的加强以灰度均衡化图像所构建模型,识别带有干扰项的路面图像的能力。本文针对其识别特点,重新设计了一套改进后的卷积神经网络结构,加深了其网络层次,并加入了多尺度的特征提取,使得灰度均衡化图像所构建的识别模型,具有更强的抗干扰能力。最后通过实验对比证明了该双模型算法具有更为优秀的抗干扰能力及识别准确率,构建出识别率可达百分之97以上的识别模型。