近些年来,随着我国经济的发展、社会的进步,城市规模的快速扩张与交通路网的日益完善相辅相成,面对规模如此庞大的路网,道路养护部门在道路养护方面所面临的挑战日益严峻。道路病害的及时发现、养护工作的及时完成能在减少资金投入的同时最大程度的延长道路的使用寿命。传统的人工检测受到安全、效率等因素的制约已经不能满足需求。目标检测领域得益于卷积神经网络和智能算法的迅猛发展,在许多应用场景中取得了令人瞩目的成就,道路病害类型的高效、准确检测,能够使道路养护部门有效的开展道路的日常养护工作,这对于我国交通事业的发展显得尤为重要。基于卷积神经网络及目标检测领域基础理论的学习,本文提出一种改进YOLOv4的道路病害识别算法。YOLOv4算法网络层次较深,结构复杂,参数量巨大,对硬件设备的性能提出了一定的要求。本文将Mobile Netv2网络所提及的深度可分离卷积、线性瓶颈以及倒残差结构引入YOLOv4算法中,实现模型体积、参数量大幅降低的同时依旧保持卓越的性能;同时对通道注意力机制进行改进,将其与空间注意力机制融合后引入到主干特征网络的输出部分,实现模型在面对包含裂缝、龟裂、凹坑、路面标线磨损在内的多类别道路病害时,能够做到具有针对性并且准确、高效的进行识别。实验结果表明,改进后的YOLOv4算法参数量降为原来的1/4,其平均精度可达78.34%。最后将轻量级算法Mobile Netv2-YOLOv4应用在交通事业中,对道路病害进行识别。改进YOLOv4算法的道路病害识别系统,能够在功能、性能上达到预期标准。系统含有如下三个功能模块:信息录入功能模块、系统管理功能模块、道路病害识别功能模块。其中道路病害识别模块为核心模块,用户可以在完成识别模式选择后,上传相应类别的数据,将识别结果进行展示并保存,同时提供历史数据查看功能,方便后续查看。改进YOLOv4算法的道路病害识别系统能够有效提高识别效率。