裂缝作为路面破损的一种早期表现形式，及时将其检测出来并采取合理的修护措施，不但能使公路保持良好的服务状态，还能节约路面修葺成本。基于数字图像的路面裂缝无损检测技术，由于其精度高、速度快等优点，成为了研究热点。而以往的检测算法还存在适用性不强、识别精度较低等不足之处，因此，本文旨在提出一种更具实用性的路面裂缝图像分类算法。在对路面裂缝及其数字图像的特点进行了深入分析之后，结合这些特点采取了相应的处理方法。　　1)图像预处理阶段。为了解决路面裂缝图像噪声多、亮度不均等问题，通过对比分析滤波等预处理方法的特点和适用范围，得出结论，中值滤波能够有效消除图像的椒盐噪声，部分重叠的分块直方图均衡化方法能减小光照不均对图像的影响，最大类间方差阈值分割方法能较好的分割路面裂缝图像。　　2)特征提取阶段。论述了常用的路面裂缝图像特征提取方法的优势和不足。选用了效果较好的Proximity方法，并对其加以改进，结合路面裂缝的特征，补充提取了路面图像的密度特征和连通性特征。通过实验得出该方法优于传统的特征提取方法。　　3)裂缝分类阶段。支持向量机（SVM）分类器对人工生成的路面裂缝样本整体识别率较高，但是仍存在对纵向裂缝和块状裂缝等分类效果不佳，对真实路面样本适用性差等缺点。而Adaboost算法能够自适应的调整训练样本的分布，通过引导分量分类器聚焦在那些容易发生误分情况的样本上，从而达到提高分类精度的目的。因此本文将Adaboost算法与SVM方法进行了结合，用人工生成的样本作为训练集，真实的路面样本作为测试集进行实验，结果表明，SVM-Adaboost分类器具有更好的分类效果。　　通过上述工作,本文对路面裂缝图像的识别进行了系统的分析和研究。并将裂缝图像的特征提取和分类器的改进作为研究重点，提取裂缝图像的直观特征、密度特征和连通性特征，作为特征向量；引入Adaboost算法对支持向量机分类器进行改进，经过MATLAB仿真实验，证明本文的方法具有较好的分类精度和鲁棒性。