针对细长路面病害人工检测耗时长和当前检测方法精度不足的问题，依据病害的弱语义特性和异常几何属性，提出了能够精准定位和分类出病害的二阶段细长路面病害检测方法Epd RCNN。首先，针对细长路面病害的弱语义特性，提出了一种复用低层特征并反复融合不同阶段特征的骨干网络；其次，在训练过程中，使用一种符合病害几何属性分布的锚框机制来生成高质量的正样本供网络训练；然后，在单一高分辨率特征图上预测病害包围框，并针对该特征图使用并行级联空洞卷积模块来提升其多尺度特征表达能力；最后，针对形状各异的候选区域，使用由可变形感兴趣区域池化（RoI Pooling）和空间注意力模块组成的候选区域特征改良模块来提取符合病害几何属性的候选区域特征。实验结果表明，所提方法在光照充足图像上的平均准确率均值（mAP）为0.907，在存在光照问题图像上的mAP为0.891，综合mAP为0.899， 表明该方法具有良好的检测性能和对光照的鲁棒性。

可微分架构搜索（DARTS）可高效、自动地设计神经网络架构，但其超网络的构建方式与派生策略的设计之间存在性能“鸿沟”。针对上述问题，提出了优化搜索空间下带约束的可微分神经网络架构搜索算法。首先，以候选操作关联的架构参数为量化指标来分析超网络的训练过程，发现在派生架构中未生效的候选操作none占据了权重最大的架构参数，从而导致算法搜得的架构表现欠佳，针对该问题设计了优化的搜索空间；然后，分析了DARTS超网络与派生架构之间的差异后，以架构参数为基础定义了架构熵，并把架构熵作为DARTS超网络目标函数的约束项，从而促使超网络缩小与派生架构的差异；最后，在CIFAR-10数据集上进行了实验。实验结果表明，所提算法在其中搜得的架构取得了97.17%的分类准确率，综合准确率、参数量和搜索时间优于对比算法。所提出的算法是有效的，提升了搜得架构在CIFAR-10数据集上的准确率。