针对目前道路病害检测数据集种类较少、检测场景单一，以及现有基于深度学习的路面病害检测方法难以应对复杂环境干扰、模型由于体积较大难以部署等问题，建立一个多种类、面向多种场景类型的路面病害检测数据集，以弥补现有数据集的不足，并且提出基于改进YOLOv5的路面病害检测方法。该方法通过融合注意力机制和轻量化结构组件在提升模型检测精度的同时降低参数量，实现了在多种干扰背景下对裂缝和坑槽路面损坏的检测和准确识别，有效改善了上述不足。实验结果表明，提出的方法在构建的路面病害数据集上检测平均精度均值达到93.3%,具有较高的检测精度，模型参数量仅为6.7×10～6左右，大大降低了部署成本。