全尺寸加速加载试验场具有复杂的路面结构，其中嵌入了各种传感器，以监测路面性能的各种指标。由于传感器采集的数据频率高、数据量大，传统方法对异常数据的识别效率低、准确性差。为了解决这一问题，本文通过特定的软件对采集到的原始高频数据进行可视化，然后对可视化数据进行标注，然后根据可视化数据形状特征的突出特点，选择轻量级的卷积神经网络模型Ghost·Net对传感器监测数据的异常进行自动识别。通过设计各种参数和训练网络模型，最后在验证集上的测试结果表明，异常数据的识别率高达99%。与传统的分类模型ResNet50（残差神经网络）相比，Ghost-Net网络模型的异常识别准确率提高了11%，可以快速识别海量道路传感器监测数据中的异常数据，为道路传感器故障监测提供强有力的数据支持