Los tipos de superficies de carretera en las que operan los autos conectados inteligentes son complicados y variados, y la investigación actual carece del logro de una categorización de superficies de carretera en tiempo real y con una precisión razonablemente alta. En esta investigación, proporcionamos una técnica basada en aprendizaje profundo para clasificar e identificar superficies de carretera que hace uso de un modelo mejorado (VGGNet-16), en conjunto con una estrategia de transferencia de aprendizaje, para recopilar datos de la superficie de la carretera frente al automóvil utilizando una cámara a bordo. Para clasificar con precisión los datos basados en las fotos de la superficie de la carretera obtenidas, el conjunto de datos se preprocesa primero, luego los pesos preentrenados se congelan y la red se inicializa utilizando parámetros de transferencia de aprendizaje. Con el fin de explorar el análisis de precisión de los diversos modelos con respecto a la identificación de seis tipos de superficies de carretera, se realizaron comparaciones a través de los modelos VGG16, AlexNet, InceptionV3 y ResNet50, utilizando los mismos valores de parámetros. Los hallazgos experimentales demuestran que el modelo mejorado VGGNet-16, combinado con el enfoque de transferencia de aprendizaje, logra una precisión del 96.87% para la clasificación y reconocimiento de pavimentos, demostrando la precisión superior del modelo de red mejorado para estas tareas. Además, el grabador de conducción del vehículo puede utilizarse como sensor para completar la detección de pavimentos, lo que tiene importantes ventajas financieras.