为提升少量数据集条件下路面状态检测的准确度和效率，提出基于改进卷积神经网络模型VGG16和自适应随机森林迁移学习的路面图像分类方法　.对改进VGG16模型进行迁移学习，将大数据集训练得到的VGG16网络卷积层、池化层、全连接层进行迁移，采用随机森林分类算法代替VGG16网络的softmax层进行重新学习训练，解决softmax强调特征之间独立性的缺点.此外，改进量子狼群算法的量子旋转门更新策略，将其用于随机森林超参数优化，保证随机森林以最佳的参数进行迁移学习训练，进一步提升模型泛化能力.实验结果表明，在自建以及Kaggle网站提供的图像分类实验中，图像识别精度为98.08%，分类速度也得到显著提升.